面向高效图卷积网络的点云处理
计算机视觉与模式识别
2021-04-13 v1
摘要
本文中，我们旨在提升图卷积网络（GCNs）用于点云学习的计算效率。我们考察了通常由 近邻（KNN）搜索与多层感知机（MLP）构成的基本图卷积。通过对其中操作进行数学分析，获得两条提升 GCN 效率的发现。（1）依赖 KNN 搜索聚合邻域特征的 GCN 中，3D 表示的局部几何结构信息平滑传播。这促使简化 GCN 中的多次 KNN 搜索。（2）打乱图特征聚合与 MLP 的顺序导致等价或相似的复合操作。基于这些发现，我们优化了 GCN 中的计算流程。一系列实验表明，优化后的网络在保持点云学习可比精度的同时，降低了计算复杂度、减少了内存消耗并加快了推理速度。代码将发布于 \url{https://github.com/ofsoundof/EfficientGCN.git}。
引用
@article{arxiv.2104.05706,
title = {Towards Efficient Graph Convolutional Networks for Point Cloud Handling},
author = {Yawei Li and He Chen and Zhaopeng Cui and Radu Timofte and Marc Pollefeys and Gregory Chirikjian and Luc Van Gool},
journal= {arXiv preprint arXiv:2104.05706},
year = {2021}
}