MLGCN：一种用于三维点云分析的超高效图卷积神经模型
计算机视觉与模式识别
2023-04-03 v1
摘要
三维点云的分析在机器人、视觉与图形学中有多种应用。处理点云存在特定挑战，因为它们天然稀疏、空间分辨率可变且通常无序。基于图的网络用于特征抽象已成为卷积神经网络的一种有前景的替代方案，但这些网络可能计算量大且内存效率低。为解决这些局限，我们提出了一种新颖的多级图卷积神经（MLGCN）模型，其使用图神经网络（GNN）块在特定局部层级上从三维点云提取特征。我们的方法采用预计算的图KNN，其中每个KNN图在一个GNN块内的GCN块之间共享，与现有模型相比既高效又有效。我们在基准数据集上的基于点云的物体分类与部件分割任务上展示了方法的有效性，表明其取得与最先进（SOTA）模型相当的结果，同时所需浮点运算（FLOPs）至多减少一千倍，且存储需求显著降低。因此，在计算资源稀缺的工业应用中，我们的MLGCN模型可能对基于点云的三维形状分析尤为相关。
引用
@article{arxiv.2303.17748,
title = {MLGCN: An Ultra Efficient Graph Convolution Neural Model For 3D Point Cloud Analysis},
author = {Mohammad Khodadad and Morteza Rezanejad and Ali Shiraee Kasmaee and Kaleem Siddiqi and Dirk Walther and Hamidreza Mahyar},
journal= {arXiv preprint arXiv:2303.17748},
year = {2023}
}