用于点云分析的神经网络重标定
计算机视觉与模式识别
2020-11-26 v1 人工智能
摘要
空间与通道重标定已成为计算机视觉中强有力的概念。其捕获长程依赖的能力对于提取局部特征（如 CNN）的网络尤为有用。尽管重标定已广泛用于图像分析，尚未应用于形状表示。本工作中，我们在用于 3D 点云的深度神经网络上引入重标定模块。我们提出一组重标定块，扩展了压缩激励（Squeeze and Excitation）块，可添加至任何通过分层组合多个局部邻域特征来构建全局描述符的 3D 点云分析网络。我们运行两组实验验证我们的方法。首先，通过将所提模块融入三种最先进的 3D 点云分析网络：PointNet++、DGCNN 和 RSCNN，展示了其益处与通用性。我们在两项任务上评估各网络：ModelNet40 上的对象分类，以及 ShapeNet 上的对象部件分割。我们的结果显示，与基线方法相比，ModelNet40 准确率提升达 1%。在第二组实验中，我们研究了重标定块对阿尔茨海默病（AD）诊断的益处。我们的结果表明，所提方法使 AD 诊断准确率提高 2%，并使事件时间分析预测 AD 发病的一致性指数提高 2.3%。总之，重标定提升了点云架构的准确率，同时仅极小增加参数数量。
引用
@article{arxiv.2011.12888,
title = {Recalibration of Neural Networks for Point Cloud Analysis},
author = {Ignacio Sarasua and Sebastian Poelsterl and Christian Wachinger},
journal= {arXiv preprint arXiv:2011.12888},
year = {2020}
}