用于点云深度学习的多点-体素卷积（MPVConv）
计算机视觉与模式识别
2021-07-29 v1
摘要
现有 3D 深度学习方法或采用独立的基于点的特征，或采用局部邻域基于体素的特征，并展现出处理 3D 数据的巨大潜力。然而，基于点的模型由于点云的无序性而效率低下，基于体素的模型则遭受较大的信息损失。受近期点-体素表示（如 PVCNN）成功的启发，我们提出一种称为多点-体素卷积（MPVConv）的新型卷积神经网络，用于点云深度学习。MPVConv 融合了体素与基于点的方法两者的优势，可有效增加基于点的特征之间的邻域聚合，并提升基于体的特征之间的独立性。此外，大多数现有方法旨在解决某一特定任务，仅有少数能处理多种任务。仅需将相应卷积模块替换为 MPVConv，我们便展示了 MPVConv 可适配不同骨干网络以解决广泛的 3D 任务。在 ShapeNet Part、S3DIS 和 KITTI 等基准数据集上针对各类任务的大量实验表明，MPVConv 将骨干网络（PointNet）的精度提升高达 \textbf{36}%，并以高达 \textbf{34} 的加速比优于基于体素的模型。此外，MPVConv 以高达 \textbf{8} 的加速比优于最先进的基于点的模型。值得注意的是，我们的 MPVConv 以更低的延迟取得了优于最新点-体素模型 PVCNN（一种比 PointNet 更高效的模型）的精度。
引用
@article{arxiv.2107.13152,
title = {Multi Point-Voxel Convolution (MPVConv) for Deep Learning on Point Clouds},
author = {Wei Zhou and Xin Cao and Xiaodan Zhang and Xingxing Hao and Dekui Wang and Ying He},
journal= {arXiv preprint arXiv:2107.13152},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2104.14834