Grid-GCN：用于快速可扩展点云学习的网格图卷积网络
计算机视觉与模式识别
2021-04-14 v5 机器学习
摘要
由于点云数据的稀疏性与不规则性，直接处理点的点的方法已变得流行。在所有基于点的模型中，图卷积网络（GCN）通过充分保留数据粒度并利用点间关联取得了显著性能。然而，基于点的网络在数据结构化（如最远点采样（FPS）与邻点查询）上耗费大量时间，限制了速度与可扩展性。本文提出一种名为 Grid-GCN 的方法，用于快速可扩展的点云学习。Grid-GCN 采用一种新颖的数据结构化策略——覆盖感知网格查询（CAGQ）。通过利用网格空间的高效性，CAGQ 在降低理论时间复杂度的同时改善了空间覆盖。与最远点采样（FPS）和球查询等常用采样方法相比，CAGQ 实现了高达 50 倍的加速。借助网格上下文聚合（GCA）模块，Grid-GCN 在主要的点云分类与分割基准上取得了最先进的性能，且运行时间显著快于以往研究。值得注意的是，Grid-GCN 在 ScanNet 上以每场景 81920 个点作为输入，实现了 50fps 的推理速度。
引用
@article{arxiv.1912.02984,
title = {Grid-GCN for Fast and Scalable Point Cloud Learning},
author = {Qiangeng Xu and Xudong Sun and Cho-Ying Wu and Panqu Wang and Ulrich Neumann},
journal= {arXiv preprint arXiv:1912.02984},
year = {2021}
}