PointGL：一种用于高效点云分析的简单全局-局部框架
计算机视觉与模式识别
2024-01-23 v1
摘要
点云的高效分析在现实世界的3D应用中至关重要。目前，主流的基于点的模型遵循PointNet++方法，即在空间重叠的局部点集序列中嵌入和抽象点特征，导致明显的计算冗余。受卷积神经网络(CNN)中像素嵌入后接区域池化的简化范式启发，我们提出了一种新颖、简洁而强大的架构PointGL，旨在促进高效的点云分析。PointGL通过两个递归步骤实现层次化的特征获取。首先，全局点嵌入利用简单的残差多层感知机(MLP)对每个单独的点进行特征嵌入。其次，新颖的局部图池化技术通过简洁的局部图刻画点与点之间的关系并抽象区域表示。一次性点嵌入与无参数图池化的和谐融合，构成了PointGL模型复杂度最小化和高效率的显著特征。我们的PointGL在ScanObjectNN数据集上达到了最先进的精度，同时运行速度比最近的PointMLP模型快5倍以上，且仅使用约4%的FLOPs和30%的参数。PointGL的代码可在https://github.com/Roywangj/PointGL获取。
引用
@article{arxiv.2401.11650,
title = {PointGL: A Simple Global-Local Framework for Efficient Point Cloud Analysis},
author = {Jianan Li and Jie Wang and Tingfa Xu},
journal= {arXiv preprint arXiv:2401.11650},
year = {2024}
}