用于点云学习的解耦局部聚合
计算机视觉与模式识别
2023-09-01 v1
摘要
点云的非结构化特性要求局部聚合能适应不同的局部结构。先前的方法通过将空间关系显式嵌入到每个聚合过程中来满足这一点。尽管这种耦合方法在生成清晰语义方面已被证明有效，但由于重复的关系学习和混合方向与点特征的冗余计算，聚合会大幅变慢。在这项工作中，我们提出将空间关系的显式建模与局部聚合解耦。我们从理论上证明，只要必要的空间信息已编码于点特征中，基本的邻域池化操作也能在特征融合中不失清晰度地发挥作用。作为解耦局部聚合的一个实例，我们提出了 DeLA，一个轻量级点网络，其中在每个学习阶段先形成相对空间编码，然后仅使用逐点卷积和边最大池化进行局部聚合。此外，采用一个正则化项通过预测相对坐标来减少潜在歧义。尽管概念简单，在五个经典基准上的实验结果表明，DeLA 以更低或相当的延迟实现了最先进的性能。具体而言，DeLA 在 ScanObjectNN 上达到超过 90% 的总体准确率，在 S3DIS Area 5 上达到 74% 的 mIoU。我们的代码可在 https://github.com/Matrix-ASC/DeLA 获取。
引用
@article{arxiv.2308.16532,
title = {Decoupled Local Aggregation for Point Cloud Learning},
author = {Binjie Chen and Yunzhou Xia and Yu Zang and Cheng Wang and Jonathan Li},
journal= {arXiv preprint arXiv:2308.16532},
year = {2023}
}