基于 KAN 的 PointNet 与基于 MLP 的 PointNet 在 3D 点云分类与分割中的比较
计算机视觉与模式识别
2025-06-13 v3 机器学习
摘要
Kolmogorov-Arnold 网络 (KAN) 近期因作为深度学习框架中传统多层感知器 (MLP) 的替代方案而受到关注。KAN 已被集成到各种深度学习架构中，如卷积神经网络、图神经网络和变换器，并对其性能进行评估。然而，KAN 在点云基于网络中的有效性尚未探讨。为填补这一空白，我们首次将 KAN 引入 PointNet，以评估其在 3D 点云分类和分割任务中的性能。具体而言，我们引入 PointNet-KAN，其包含两个关键组件：其一，采用 KAN 代替传统 MLP；其二，保留 PointNet 的核心原则，通过共享 KAN 层并应用对称函数进行全局特征提取，确保输入特征关于置换不变。在传统 MLP 中，目标是训练权重和偏置以使用固定激活函数；而在 KAN 中，目标是训练激活函数本身。我们采用 Jacobi 多项式构建 KAN 层。我们广泛且系统地评估了 PointNet-KAN 在各种多项式次数及拉格朗日、切比雪夫和 Gegenbauer 多项式等特殊类型下的表现。我们的结果表明，尽管采用更浅层更简单的数据集结构，PointNet-KAN 在基准数据集上实现了对 PointNet 使用 MLP 的竞争性能，用于 3D 目标分类和零件及语义分割。我们还研究了集成 KAN 与 MLP 层的混合 PointNet 模型。我们希望本工作作为集成 KAN（作为 MLP 的替代方案）至更先进点云处理架构的基础和指导。
引用
@article{arxiv.2410.10084,
title = {PointNet with KAN versus PointNet with MLP for 3D Classification and Segmentation of Point Sets},
author = {Ali Kashefi},
journal= {arXiv preprint arXiv:2410.10084},
year = {2025}
}