利用ModelNet-R和Point-SkipNet增强三维点云分类
计算机视觉与模式识别
2025-09-08 v1 人工智能
机器学习
机器人学
摘要
三维点云分类对于自动驾驶、机器人和增强现实等应用至关重要。然而，常用的ModelNet40数据集存在标签不一致、二维数据、尺寸不匹配和类别区分不足等局限性，阻碍了模型性能。本文引入了ModelNet-R，这是一个精心优化的ModelNet40改进版本，旨在解决这些问题并作为更可靠的基准。此外，本文提出了Point-SkipNet，一种轻量级的基于图的神经网络，利用高效采样、邻域分组和跳跃连接，在降低计算开销的同时实现高分类准确率。大量实验表明，在ModelNet-R上训练的模型表现出显著的性能提升。值得注意的是，Point-SkipNet在ModelNet-R上达到了最先进的准确率，同时参数数量远低于现有模型。本研究强调了数据集质量在优化三维点云分类模型效率中的关键作用。更多细节参见代码：https://github.com/m-saeid/ModeNetR_PointSkipNet。
引用
@article{arxiv.2509.05198,
title = {Enhancing 3D Point Cloud Classification with ModelNet-R and Point-SkipNet},
author = {Mohammad Saeid and Amir Salarpour and Pedram MohajerAnsari},
journal= {arXiv preprint arXiv:2509.05198},
year = {2025}
}
备注
This paper has been accepted for presentation at the 7th International Conference on Pattern Recognition and Image Analysis (IPRIA 2025)