Point-GN: 使用高斯位置编码的非参数化点云分类网络
计算机视觉与模式识别
2024-12-10 v2 人工智能
机器学习
机器人学
摘要
本文介绍了Point-GN,一种用于高效、准确3D点云分类的新型非参数化网络。与依赖大量可训练参数的常规深度学习模型不同,Point-GN利用非可学习组件——具体而言,最远点采样(FPS)、k近邻(k-NN)和高斯位置编码(GPE)——来提取局部和全局几何特征。这种设计在保持高性能的同时消除了额外训练的需求,使得Point-GN特别适用于实时、资源受限的应用。我们在两个基准数据集ModelNet40和ScanObjectNN上评估了Point-GN,分别达到了85.29%和85.89%的分类准确率,同时显著降低了计算复杂度。Point-GN优于现有的非参数化方法,并且性能与完全训练的模型相当,而可学习参数为零。我们的结果表明,Point-GN是实际实时环境中3D点云分类的一种有前景的解决方案。
引用
@article{arxiv.2412.03056,
title = {Point-GN: A Non-Parametric Network Using Gaussian Positional Encoding for Point Cloud Classification},
author = {Marzieh Mohammadi and Amir Salarpour},
journal= {arXiv preprint arXiv:2412.03056},
year = {2024}
}
备注
This paper has been accepted for presentation at the IEEE Winter Conference on Applications of Computer Vision (WACV) 2025