PointeNet：面向高效且有效的点云分析的轻量级框架
计算机视觉与模式识别
2023-12-21 v1
摘要
当前的点云分析方法主要探索 3D 几何结构，通常通过在编码器中引入复杂的可学习几何提取器或通过重复模块加深网络来实现。然而，这些方法不可避免地导致大量可学习参数，产生巨大的计算成本并给 CPU/GPU 带来内存负担。此外，现有策略主要针对物体级点云分类和分割任务定制，对关键场景级应用（如自动驾驶）的扩展有限。针对这些局限性，我们引入了 PointeNet，一种专为点云分析设计的高效网络。PointeNet 以其轻量级架构、低训练成本和即插即用能力脱颖而出，能够有效捕获代表性特征。该网络由多变量几何编码 (MGE) 模块和可选的距离感知语义增强 (DSE) 模块组成。MGE 模块采用采样、分组和多变量几何聚合操作，轻量级地捕获并自适应聚合多变量几何特征，提供对 3D 几何的全面描绘。专为真实世界自动驾驶场景设计的 DSE 模块增强了点云的语义感知能力，特别是对于远距离点。我们的方法展现了灵活性，能够与分类/分割头无缝集成或嵌入现有的 3D 目标检测网络中，以极小的成本实现显著的性能提升。在包括 ModelNet40、ScanObjectNN、ShapeNetPart 物体级数据集和 KITTI 场景级数据集上的大量实验表明，PointeNet 在点云分析中优于现有最先进方法。
引用
@article{arxiv.2312.12743,
title = {PointeNet: A Lightweight Framework for Effective and Efficient Point Cloud Analysis},
author = {Lipeng Gu and Xuefeng Yan and Liangliang Nan and Dingkun Zhu and Honghua Chen and Weiming Wang and Mingqiang Wei},
journal= {arXiv preprint arXiv:2312.12743},
year = {2023}
}