PointNorm：双归一化即满足点云分析所需
计算机视觉与模式识别
2023-04-19 v4
摘要
由于点云数据结构的不规则性，点云分析具有挑战性。现有工作通常采用 PointNet++ 的临时采样-分组操作，随后使用复杂的局部和/或全局特征提取器来利用点云的3D几何结构。遗憾的是，采样-分组操作并未解决点云的不规则性，而复杂的局部和/或全局特征提取器导致计算效率低下。本文中，我们在采样-分组操作之后引入一种新颖的 DualNorm 模块，以有效且高效地解决不规则性问题。DualNorm 模块由点归一化（将分组点归一化到采样点）和反向点归一化（将采样点归一化到分组点）组成。所提出的框架 PointNorm 利用局部均值和全局标准差，在保持合理推理速度的同时受益于局部与全局特征。实验表明，我们在 ModelNet40 分类、ScanObjectNN 分类、ShapeNetPart 部件分割和 S3DIS 语义分割上取得了优异的精度与效率。代码见 https://github.com/ShenZheng2000/PointNorm-for-Point-Cloud-Analysis。
引用
@article{arxiv.2207.06324,
title = {PointNorm: Dual Normalization is All You Need for Point Cloud Analysis},
author = {Shen Zheng and Jinqian Pan and Changjie Lu and Gaurav Gupta},
journal= {arXiv preprint arXiv:2207.06324},
year = {2023}
}
备注
IJCNN 2023