PAConv：点云上基于动态核组装的位置自适应卷积
计算机视觉与模式识别
2021-04-27 v2
摘要
我们提出位置自适应卷积（PAConv），一种用于3D点云处理的通用卷积操作。PAConv的关键在于通过动态组装存储于权重银行（Weight Bank）中的基本权重矩阵来构造卷积核，这些权重矩阵的系数通过ScoreNet从点位置中自适应学习得到。以此方式，卷积核以数据驱动的方式构建，赋予PAConv比2D卷积更大的灵活性，以更好地处理不规则且无序的点云数据。此外，通过组合权重矩阵而非从点位置粗暴预测卷积核，降低了学习过程的复杂度。再者，不同于现有点卷积算子网络架构常经过重度设计，我们将PAConv集成入基于经典MLP的点云流水线中而无需改变网络配置。即便构建于简单网络，我们的方法仍接近甚至超越SOTA模型，并在分类与分割任务上显著提升基线性能，且具备良好效率。我们提供了充分的消融研究与可视化以理解PAConv。代码发布于https://github.com/CVMI-Lab/PAConv。
引用
@article{arxiv.2103.14635,
title = {PAConv: Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds},
author = {Mutian Xu and Runyu Ding and Hengshuang Zhao and Xiaojuan Qi},
journal= {arXiv preprint arXiv:2103.14635},
year = {2021}
}
备注
To be appear in CVPR2021