用于三维分类的局部邻域特征
计算机视觉与模式识别
2024-04-11 v2 多媒体
摘要
随着深度学习模型训练策略的进展，点云分类方法的训练得到显著改善。例如，PointNeXt将显著的训练技术与InvResNet层引入PointNet++，在真实世界ScanObjectNN数据集上实现了超过7%的提升。然而，这些模型大多使用映射到高维空间的邻域点坐标特征，而忽略了在输入网络层之前计算的邻域点特征。本文中，我们重访PointNeXt模型，以研究此类邻域点特征的使用与益处。我们在ModelNet40(合成)、ScanObjectNN(真实世界)以及近期大规模真实世界杂货数据集3DGrocery100上训练并评估PointNeXt。此外，我们提供了一种对PointNeXt前两个检查点进行权重平均的额外推理策略以提升分类精度。结合上述思路，我们在PointNeXt模型上于真实世界数据集ScanObjectNN(最难变体)、3DGrocery100的Apple10、Fruits、Vegetables和Packages子集分别获得了0.5%、1%、4.8%、3.4%和1.6%的总体精度提升。我们在ModelNet40上也取得了可比的0.2%精度提升。
引用
@article{arxiv.2212.05140,
title = {Local Neighborhood Features for 3D Classification},
author = {Shivanand Venkanna Sheshappanavar and Chandra Kambhamettu},
journal= {arXiv preprint arXiv:2212.05140},
year = {2024}
}