用于点云物体分类的微型机器学习模型
计算机视觉与模式识别
2023-03-21 v1 机器学习
摘要
本工作研究了一种可部署于移动和边缘设备的、用于点云物体分类的微型机器学习模型的设计。为实现该目标，我们将点云物体的多尺度表征替换为单尺度表征以降低复杂度，并利用点云物体丰富的3D几何信息以提升性能。所提方案因其低计算复杂度而被命名为Green-PointHop。我们在ModelNet40和ScanObjectNN两个数据集上评估了Green-PointHop的性能。Green-PointHop的模型大小为64K参数。它对一个1024下采样点的ModelNet40物体进行分类需要2.3M浮点运算（FLOPs）。其在ModelNet40和ScanObjectNN上相对于最先进的DGCNN方法的分类性能差距分别为3%和7%。另一方面，DGCNN的模型大小和推理复杂度分别为Green-PointHop的42倍和1203倍。
引用
@article{arxiv.2303.10898,
title = {A Tiny Machine Learning Model for Point Cloud Object Classification},
author = {Min Zhang and Jintang Xue and Pranav Kadam and Hardik Prajapati and Shan Liu and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2303.10898},
year = {2023}
}
备注
13 pages, 4 figures