LidarNAS：面向 3D 点云的神经架构统一与搜索
计算机视觉与模式识别
2022-10-12 v1
摘要
开发能够准确理解 3D 点云中物体的神经模型对于机器人技术和自动驾驶的成功至关重要。然而，可以说由于数据相较于图像具有更高维的性质，现有的神经架构在设计上表现出极大的多样性，包括但不限于所考虑的视图、神经特征的格式以及所使用的神经操作。缺乏统一的框架和解释使得难以客观评估这些设计，也难以系统地探索新设计。在本文中，我们首先提出了这样一个统一框架，其关键思想是将神经网络分解为一系列视图变换和神经层。我们证明，这种模块化框架能够复现多种现有工作，同时允许对主干网络设计进行公平比较。然后，我们展示了该框架如何轻松地具象化为具体的神经架构搜索（NAS）空间，从而实现有原则的面向 3D 的 NAS 探索。在 Waymo Open Dataset 的 3D 目标检测任务上执行进化 NAS 时，我们不仅超越了 SOTA 模型，还报告了一个有趣的发现：NAS 倾向于为车辆和行人类别发现相同的宏观架构概念。
引用
@article{arxiv.2210.05018,
title = {LidarNAS: Unifying and Searching Neural Architectures for 3D Point Clouds},
author = {Chenxi Liu and Zhaoqi Leng and Pei Sun and Shuyang Cheng and Charles R. Qi and Yin Zhou and Mingxing Tan and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2210.05018},
year = {2022}
}
备注
ECCV 2022