PSNet：面向点云分层深度学习的快速数据结构化方法
计算机视觉与模式识别
2022-06-01 v2
摘要
为了在分层深度学习模型中保留点云局部区域更多的特征信息，局部分组和下采样是大多数分层深度学习模型中必要的数据结构化步骤。由于点云中点的无序性，在对点进行分组和下采样时可能会消耗大量时间，从而导致可扩展性差。本文提出一种称为 PSNet（Point Structuring Net）的快速数据结构化方法。PSNet 转换点的空间特征，并将其与点云中局部区域的特征相匹配。PSNet 同时完成分组和采样，而现有方法分两步处理采样和分组（例如使用 FPS 加 kNN）。PSNet 逐点进行特征变换，而现有方法使用点之间的空间关系作为分组参考。得益于这些特性，PSNet 具有两个重要优势：1）PSNet 获得的组和采样结果稳定且置换不变；2）PSNet 易于并行化。PSNet 可以以即插即用的方式替换主流点云深度学习模型中的数据结构化方法。我们进行了大量实验。结果表明，PSNet 在保持模型精度的同时显著提升了训练和推断速度。
引用
@article{arxiv.2205.14965,
title = {PSNet: Fast Data Structuring for Hierarchical Deep Learning on Point Cloud},
author = {Luyang Li and Ligang He and Jinjin Gao and Xie Han},
journal= {arXiv preprint arXiv:2205.14965},
year = {2022}
}