APP-Net：基于辅助点的推拉操作以实现高效点云分类
计算机视觉与模式识别
2022-08-19 v2
摘要
聚合邻域特征对于点云分类至关重要。在已有工作中，云中每一点都不可避免地被选为多个聚合中心的邻域，因为所有中心都将从整个点云独立地聚集邻域特征。因此每一点不得不重复参与计算并在内存中产生冗余副本，导致密集的计算开销与内存消耗。同时，为追求更高精度，以往方法常依赖复杂的局部聚合器来提取精细几何表示，进一步拖慢了分类流程。为解决这些问题，我们提出一种用于点云分类的线性复杂度新局部聚合器，称为APP。具体而言，我们引入一个辅助容器作为锚点，在源点与聚合中心之间交换特征。每个源点仅将其特征推送到一个辅助容器，每个中心点仅从一个辅助容器拉取特征。这避免了每个源点的重复计算问题。为促进点云局部结构的学习，我们使用在线法向估计模块提供可解释的几何信息以增强我们的APP建模能力。我们构建的网络比以往所有基线更高效且优势明显，同时仍消耗更低内存。在合成与真实数据集上的实验表明，APP-Net达到了与其他网络相当的准确性。它能在单块GPU上以低于10GB内存每秒处理超过10,000个样本。我们将在https://github.com/MCG-NJU/APP-Net发布代码。
引用
@article{arxiv.2205.00847,
title = {APP-Net: Auxiliary-point-based Push and Pull Operations for Efficient Point Cloud Classification},
author = {Tao Lu and Chunxu Liu and Youxin Chen and Gangshan Wu and Limin Wang},
journal= {arXiv preprint arXiv:2205.00847},
year = {2022}
}