用简单而有效的基线重新审视点云形状分类
计算机视觉与模式识别
2021-06-11 v1 机器学习
摘要
处理点云数据是许多现实系统的关键组成部分。因此，人们提出了多种基于点的方法，其基准性能随时间稳步提升。我们研究了这一进展的关键要素并揭示了两个关键结果。首先，我们发现评估方案、数据增强策略和损失函数等独立于模型架构的辅助因素对性能影响很大。这些差异之大足以掩盖架构的影响。当控制这些因素后，相对较旧的神经网络PointNet++与近期方法相比具有竞争力。其次，一种非常简单的基于投影的方法（我们称之为SimpleView）表现惊人地好。它在ModelNet40上取得了与最先进（SOTA）复杂方法相当或更好的结果，而参数量仅为PointNet++的一半。它还在真实世界点云基准ScanObjectNN上优于SOTA方法，并展现出更好的跨数据集泛化能力。代码见 https://github.com/princeton-vl/SimpleView。
关键词
引用
@article{arxiv.2106.05304,
title = {Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline},
author = {Ankit Goyal and Hei Law and Bowei Liu and Alejandro Newell and Jia Deng},
journal= {arXiv preprint arXiv:2106.05304},
year = {2021}
}
备注
Accepted to ICML 2021