用于三维大规模场景理解的长程池化
计算机视觉与模式识别
2023-01-18 v1
摘要
受近期视觉 transformer 与卷积神经网络（CNNs）中大核设计的成功启发，本文分析并探究其成功的关键原因。我们指出对三维大规模场景理解至关重要的两个因素：更大的感受野与具有更强非线性的操作。前者负责提供长程上下文，后者可增强网络容量。为实现上述特性，我们提出一种简单而高效的长程池化（LRP）模块，使用空洞最大池化，为网络提供大的自适应感受野。LRP 参数极少，且可便捷地加入现有 CNNs。此外，基于 LRP，我们给出完整的网络架构 LRPNet 用于三维理解。消融实验支持我们的论断，并表明 LRP 模块比大核卷积取得更好结果且计算量更低，因其非线性。我们还在多个基准上展示了 LRPNet 的优越性：LRPNet 在 ScanNet 上表现最佳，并在 S3DIS 与 Matterport3D 上超越其他基于 CNN 的方法。代码将公开可用。
引用
@article{arxiv.2301.06962,
title = {Long Range Pooling for 3D Large-Scale Scene Understanding},
author = {Xiang-Li Li and Meng-Hao Guo and Tai-Jiang Mu and Ralph R. Martin and Shi-Min Hu},
journal= {arXiv preprint arXiv:2301.06962},
year = {2023}
}