参数非你所需：从非参数网络出发的3D点云分析
计算机视觉与模式识别
2023-05-11 v2 人工智能
摘要
我们提出一种用于3D点云分析的非参数网络Point-NN，其完全由不可学习组件构成：最远点采样(FPS)、k近邻(k-NN)与池化操作，以及三角函数。令人惊讶的是，它在各类3D任务上表现良好，无需参数或训练，甚至超越现有全训练模型。从该基础非参数模型出发，我们提出两类扩展。首先，Point-NN可作为基础架构框架，通过仅在顶部插入线性层来构造参数网络。鉴于优越的非参数基础，所衍生的Point-PN以极少可学习参数展现出高性能-效率权衡。其次，Point-NN可被视为即插即用模块，在推理时用于已训练的3D模型。Point-NN捕捉互补几何知识，并在无需重训练下增强现有方法以应对不同3D基准。我们希望工作能为社区以非参数方法理解3D点云提供启示。代码见https://github.com/ZrrSkywalker/Point-NN。
引用
@article{arxiv.2303.08134,
title = {Parameter is Not All You Need: Starting from Non-Parametric Networks for 3D Point Cloud Analysis},
author = {Renrui Zhang and Liuhui Wang and Ziyu Guo and Yali Wang and Peng Gao and Hongsheng Li and Jianbo Shi},
journal= {arXiv preprint arXiv:2303.08134},
year = {2023}
}
备注
Accepted by CVPR 2023. Code is available at https://github.com/ZrrSkywalker/Point-NN