用于快速准确三维深度学习多体素-点神经元卷积 (MVPConv)
计算机视觉与模式识别
2021-05-03 v1
摘要
我们提出一种称为多体素-点神经元卷积 (Multi Voxel-Point Neurons Convolution, MVPConv) 的新型卷积神经网络，用于快速准确的三维深度学习。已有工作采用基于点的独立特征或基于局部邻域体素的特征来处理三维模型，因计算低效而限制了模型性能。此外，大多数现有三维深度学习框架旨在解决某一特定任务，仅有少数能处理多种任务。MVPConv 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间邻域收集，并提升基于体的特征间独立性。仅需将相应卷积模块替换为 MVPConv，我们表明 MVPConv 可嵌入不同骨干网络以解决广泛的三维任务。在 ShapeNet Part、S3DIS 和 KITTI 等基准数据集上针对多种任务的充分实验表明，MVPConv 将骨干网络 (PointNet) 准确率提升高达 36%，并以高达 34 倍加速优于基于体素的模型。此外，MVPConv 还以高达 8 倍加速优于最先进的基于点的模型。值得注意的是，我们的 MVPConv 以更低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）的准确率。
引用
@article{arxiv.2104.14834,
title = {Multi Voxel-Point Neurons Convolution (MVPConv) for Fast and Accurate 3D Deep Learning},
author = {Wei Zhou and Xin Cao and Xiaodan Zhang and Xingxing Hao and Dekui Wang and Ying He},
journal= {arXiv preprint arXiv:2104.14834},
year = {2021}
}