用于高效点云处理的可学习栅格化
计算机视觉与模式识别
2023-07-28 v1 机器学习
摘要
依赖于邻域信息的神经操作在点云上部署时比在栅格数据上昂贵得多，原因在于点云中点之间的距离是不规则的。而在栅格中，我们可以仅计算一次核并将其复用于所有查询位置。因此，依赖于邻域信息的操作对于点云的可扩展性远差于栅格数据，尤其是对于大输入和大邻域。在本工作中，我们通过解决点云方法的可扩展性问题的根源——数据的不规则性——来应对该问题。我们提出可学习栅格化作为点云处理流程的第一步，将 point cloud 转换为紧凑的规则栅格。得益于栅格化，后续层可使用定义在规则栅格上的操作（例如 Conv3D），其可扩展性远优于原生点云方法。随后，我们通过在 point cloud 处理流程末尾添加可学习的去栅格化步骤，将栅格化扩展至点云到点云任务（例如分割），以将紧凑的规则栅格映射回其原始点云形式。通过理论与实证分析，我们表明栅格化网络在内存与时间上比直接应用于原始点云数据的网络具有更好的可扩展性，同时能够取得具有竞争力的结果。我们的代码公开于 https://github.com/computri/gridifier。
引用
@article{arxiv.2307.14354,
title = {Learned Gridification for Efficient Point Cloud Processing},
author = {Putri A. van der Linden and David W. Romero and Erik J. Bekkers},
journal= {arXiv preprint arXiv:2307.14354},
year = {2023}
}