最近邻遇上深度神经网络：面向点云分析
计算机视觉与模式识别
2023-03-02 v1
摘要
标准 3D 点云基准上的性能已趋于饱和，导致模型过度庞大、网络设计复杂，仅换来微小的改进。我们提出了一种无需重新设计或额外参数即可增强现有深度神经网络的替代方案，称为空间邻域适配器（Spatial-Neighbor Adapter，SN-Adapter）。基于任意已训练的 3D 网络，我们利用其学习到的编码能力提取训练数据集的特征，并将其概括为原型空间知识。对于测试点云，SN-Adapter 从预构建的空间原型中检索 k 最近邻（k-NN），并将 k-NN 预测与原始 3D 网络的预测进行线性插值。通过提供互补特性，所提出的 SN-Adapter 作为一种即插即用模块，以非参数的方式经济地提升性能。更重要的是，我们的 SN-Adapter 可有效泛化到多种 3D 任务，包括形状分类、部件分割和 3D 目标检测，展示了其优越性与鲁棒性。我们希望我们的方法能为点云分析提供新视角，并促进未来研究。
引用
@article{arxiv.2303.00703,
title = {Nearest Neighbors Meet Deep Neural Networks for Point Cloud Analysis},
author = {Renrui Zhang and Liuhui Wang and Ziyu Guo and Jianbo Shi},
journal= {arXiv preprint arXiv:2303.00703},
year = {2023}
}
备注
Accepted by WACV 2023