拓宽网络：一种基于分组卷积的高效点云分析神经网络
计算机视觉与模式识别
2019-09-24 v1
摘要
为在点云分析中取得更好性能，许多研究者在非规则点云上堆叠多层感知机（MLP）卷积以构建更深的神经网络。然而，在大量点（如自动驾驶应用）上应用密集 MLP 卷积会导致内存与计算效率低下。为兼顾高性能与低复杂度，我们提出一种深而宽的神经网络 ShufflePointNet，利用分组卷积与通道混洗操作并行挖掘细粒度局部特征并降低冗余。不同于直接在高层维点云特征上应用 MLP 的常规操作，我们的模型预先将特征分组以拓宽网络，每组以特定较小深度仅负责各自的 MLP 运算，从而降低复杂度并允许编码更多有用信息。同时，我们通过特征通道上的组混洗建立组间通信以捕获细粒度特征。我们认为，用于更宽神经网络的多分支方法同样有益于点云的特征提取。我们在 ModelNet40 数据集上进行了形状分类任务、在大规模数据集 ShapeNet part、S3DIS 和 KITTI 上进行了语义分割任务的广泛实验。我们进一步开展消融研究，并从复杂度与精度方面将我们的模型与其他最优算法进行比较。
引用
@article{arxiv.1909.10431,
title = {Go Wider: An Efficient Neural Network for Point Cloud Analysis via Group Convolutions},
author = {Can Chen and Luca Zanotti Fragonara and Antonios Tsourdos},
journal= {arXiv preprint arXiv:1909.10431},
year = {2019}
}