Meta-Sampler：面向任务的近乎通用的点云采样器
计算机视觉与模式识别
2022-03-31 v1 机器学习
机器人学
摘要
采样是点云任务中的关键操作，通过丢弃冗余点来提高计算效率和可处理性。通用采样算法（例如最远点采样）在不同任务、模型和数据集上无需修改即可工作，但其本质对下游任务/模型是不可知的。因此，它们隐式地不知道哪些点最好保留、哪些应被拒绝。近期工作表明，任务特定的点云采样（例如 SampleNet）可以通过学习哪些点更具信息性来超越传统采样方法。然而，这些可学习采样器面临两个固有问题：i) 过拟合到模型而非任务，以及 ii) 除了任务网络外还需从头训练采样网络，这在一定程度上抵消了下采样以提高效率的初衷。在这项工作中，我们提出了一种近乎通用的采样器，以寻求一种能够学习为特定任务保留最有用的点、同时又能低成本适应不同任务、模型或数据集的采样器。我们首先证明了针对同一任务（例如形状重建）在多个模型上训练，通过不过拟合采样网络到特定任务网络，在精度上显著优于原始 SampleNet。其次，我们展示了如何跨多个任务训练一个近乎通用的元采样器。该元采样器在应用于不同数据集、网络甚至不同任务时可快速微调，从而分摊初始训练成本。
引用
@article{arxiv.2203.16001,
title = {Meta-Sampler: Almost-Universal yet Task-Oriented Sampling for Point Clouds},
author = {Ta-Ying Cheng and Qingyong Hu and Qian Xie and Niki Trigoni and Andrew Markham},
journal= {arXiv preprint arXiv:2203.16001},
year = {2022}
}