CVPR2021 | PAConv：一种位置自适应卷积，点云分类、分割任务表现SOTA

最新推荐文章于 2024-08-16 08:20:53 发布

Tom Hardy

最新推荐文章于 2024-08-16 08:20:53 发布

阅读量1k

点赞数 1

文章标签：算法计算机视觉机器学习人工智能深度学习

本文链接：https://blog.csdn.net/qq_29462849/article/details/118160458

版权

PAConv是一种新的点云处理卷积方法，通过动态组装基本权重矩阵，自适应地学习点的位置关系。该方法在点云分类、分割任务上展现出SOTA性能，同时保持高效。论文和代码已开源，适用于MLP网络结构，无需复杂的网络配置改动。

摘要由CSDN通过智能技术生成

导读：

由香港大学CVMI Lab和牛津大学合作提出了一种点云上具有动态内核组装的位置自适应卷积——PAConv: Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds，论文已被CVPR2021接收。

PAConv的卷积核由多个基本权重矩阵组装而成，而在组装过程中，这些权重矩阵的系数是通过点的位置关系自适应学习得到的。这种以数据驱动构建卷积核的方式赋予了PAConv很强的灵活性，以更好地处理不规则和无序的点云数据。此外，与现有点云卷积高度工程化的网络结构不同，作者将PAConv直接集成到基于MLP的经典点云网络架构中，而无需更改原有的网络配置。即使建立在简单的网络架构上，PAConv仍然以很高的效率在点云分类、部件分割和场景分割的任务中表现SOTA。目前全部的代码和模型都已开源，欢迎大家follow!

论文、代码地址：在公众号「计算机视觉工坊」，后台回复「PAConv」，即可直接下载。

一、引言

近年来，深度学习在三维点云处理上取得了显着进步，但鉴于点云的稀疏性、不规则性和无序性，这仍然是一项具有挑战性的任务。现有方法大致分为三类：第一类是对点云进行体素化以便可以采用三维网格卷积处理，然而重要的几何信息可能由于量化而丢失，体素化通常也会带来额外的存储和计算成本；第二类是用共享MLP处理所有点，这种方式难以表征点云空间复杂的变化关系；第三类则是设计可以直接处理点云的卷积核，现有方法亦受限于计算复杂度或灵活性，本文中也特别对现有的点云卷积与本文方法的关系和区别进行了详尽的讨论。

本文提出了一种即插即用的位置自适应卷积PAConv，通过动态组装基本权重矩阵来构造内核，这些权重矩阵的组合系数由ScoreNet自适应地学习点的相对位置关系得到。PAConv以数据驱动的方式灵活地对三维点云的复杂空间变化和几何结构进行建模，同时保持很高的效率。另外值得一提的是，最近的点云卷积工作大多采用其量身定制的复杂网络架构，使得我们难以评估到底是其自身卷积操作还是网络设计而带来性能的提升。所以，作者直接将PAConv集成到最简单的MLP点云网络中，旨在最大程度地降低网络结构的影响，以更好地评估PAConv本身的性能。