PointHop++：一种用于三维分类的点集轻量级学习模型
计算机视觉与模式识别
2020-05-26 v2 机器学习
摘要
PointHop 方法最近由 Zhang 等人提出，用于具有无监督特征提取的 3D 点云分类。它在实现最先进的分类性能的同时具有极低的训练复杂度。在本工作中，我们在两个方面进一步改进 PointHop 方法：1）在模型参数数量方面降低其模型复杂度；2）基于交叉熵准则自动排序判别特征。所得方法称为 PointHop++。第一项改进对于可穿戴与移动计算至关重要，而第二项改进桥接了基于统计与基于优化的机器学习方法。通过在 ModelNet40 基准数据集上进行的实验，我们表明 PointHop++ 方法的性能与深度神经网络（DNN）方案相当，并超越了其他无监督特征提取方法。
引用
@article{arxiv.2002.03281,
title = {PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification},
author = {Min Zhang and Yifan Wang and Pranav Kadam and Shan Liu and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2002.03281},
year = {2020}
}
备注
4pages, 4 figures