审视点云分析中的局部聚合算子
计算机视觉与模式识别
2020-07-03 v1 机器学习
摘要
点云处理网络架构的最新进展主要由局部聚合算子的新设计驱动。然而，由于每种方案的整体网络架构和实现细节不同，这些算子对网络性能的影响并未得到仔细研究。同时，大多数算子仅应用于浅层架构。本文重新审视了具有代表性的局部聚合算子，并使用相同的深度残差架构研究它们的性能。我们的研究表明，尽管这些算子的设计各异，但在相同的网络输入和特征数量下，它们对网络性能的贡献惊人地相似，并在标准基准上达到了最先进的精度。这一发现促使我们重新思考为点云处理设计复杂局部聚合算子的必要性。为此，我们提出了一种无学习权重的简单局部聚合算子，称为位置池化（PosPool），其性能与现有复杂算子相似或略优。特别地，一个带有 PosPool 层的简单深度残差网络在所有基准上均取得了卓越的性能，在具有挑战性的 PartNet 数据集上以较大优势（7.4 mIoU）超越了先前的最先进方法。代码已公开于 https://github.com/zeliu98/CloserLook3D。
引用
@article{arxiv.2007.01294,
title = {A Closer Look at Local Aggregation Operators in Point Cloud Analysis},
author = {Ze Liu and Han Hu and Yue Cao and Zheng Zhang and Xin Tong},
journal= {arXiv preprint arXiv:2007.01294},
year = {2020}
}
备注
Code available at https://github.com/zeliu98/CloserLook3D