点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
ASSANet: An Anisotropic Separable Set Abstraction for Efficient Point Cloud Representation Learning
这篇报告主要介绍NeurIPS 2021 Spotlight论文ASSANet。在ASSANet中,我们深入研究了 PointNet++ [1] 这个经典的网络结构,并开发出更快、更准确的模型变体。
我们首先提出了一种新颖的可分离集抽象 (Separable Set Abstraction) 模块,它将 PointNet++ 中使用的普通 SA 模块分解为两个独立的学习阶段:(1) 学习通道相关性和 (2) 学习空间相关性。Separable SA 模块以比普通版本快得多的速度,达到了相当的精度。
然后,我们在我们的可分离 SA 模块中引入了一个新的各向异性操作,并提出了一个各向异性可分离集抽象模块(ASSA),该模块大大提高了网络的精度。我们将 PointNet++ 中的SA模块替换为 ASSA 模块,并将修改后的网络命名为 ASSANet。
对点云分类、语义分割和部分分割的大量实验表明,ASSANet 优于 PointNet++ 和其他方法,实现了更高的精度和更快的速度。
例如,ASSANet 在 S3DIS Area 5 上的性能比 PointNet++ 高 7.4 mIoU,同时在单个 NVIDIA 2080Ti GPU 上保持 1.6 倍的推理速度。加深后的 ASSANet 达到 66.8 mIoU,性能优于 KPConv,同时速度提高了 54 倍以上。
我们提出了一种基于各向异性的、可分离且高效的点云特征学习网络ASSANet。本次研究的动机是,高效的点云处理网络需求越来越大:嵌入式激光雷达传感器的新型移动设备创造了对高效点云学习算法的需求。
但是当前SOTA的方法往往是牺牲速度来换取准确率。而我们的方法在达到与之前知名方法相同准确率的时候,具备更快的推理速度,甚至比PointNet++快了接近两倍。