窗口归一化：通过统一不一致的点密度增强点云理解
计算机视觉与模式识别
2022-12-06 v1
摘要
下采样与特征提取是三维点云理解的关键步骤。现有方法受限于点云不同部分不一致的点密度。本工作中，我们分析了下采样阶段的局限，并提出预抽象分组式窗口归一化模块。具体而言，利用窗口归一化方法统一不同部分的点密度。此外，提出分组策略以获取多类特征，包括纹理与空间信息。我们还提出预抽象模块以平衡局部与全局特征。大量实验表明，我们的模块在多项任务上表现更优。在 S3DIS（Area 5）的分割任务中，所提模块在小物体识别上表现更好，且结果边界较其他更精确。沙发与柱子的识别率分别由 69.2% 提升至 84.4%、由 42.7% 提升至 48.7%。基准指标由 71.7%/77.6%/91.9%（mIoU/mAcc/OA）提升至 72.2%/78.2%/91.4%。S3DIS 上 6 折交叉验证准确率为 77.6%/85.8%/91.7%。其以 mIoU 上 2.7% 的优势超越最佳模型 PointNeXt-XL（74.9%/83.0%/90.3%），并取得最先进性能。代码与模型见 https://github.com/DBDXSS/Window-Normalization.git。
引用
@article{arxiv.2212.02287,
title = {Window Normalization: Enhancing Point Cloud Understanding by Unifying Inconsistent Point Densities},
author = {Qi Wang and Sheng Shi and Jiahui Li and Wuming Jiang and Xiangde Zhang},
journal= {arXiv preprint arXiv:2212.02287},
year = {2022}
}