目录
ABSTRACT
在本文中,作者提出了一个新的视角来看待这个任务。注意到,详细的局部几何信息可能不是点云分析的关键——引入了一个纯粹的残差MLP network,称为PointMLP,它没有集成“复杂的”局部几何提取器,但性能仍然非常有竞争力。
方法
作者提出通过一个简单的前馈残差MLP网络(PointMLP)来学习点云表示,该网络分层地聚合由MLP提取的局部特征,并放弃使用复杂的的局部几何提取器。为了进一步提高鲁棒性和性能,只引入了一个轻量级的几何仿射模块,将局部点转化为正态分布。
图2:PointMLP中一个阶段的概述。给定一个输入点云,PointMLP使用残差点MLP块逐步提取局部特征。在每个阶段,首先使用几何仿射模块对局部点进行变换,然后分别在聚合操作之前和之后提取(MLP映射)它们。PointMLP通过重复多个阶段逐步扩大接收域和模型完整点云几何信息。(上图中的这个Geometric Affine Module画的并不直观,其实他只需要通过下文的公式就很容易理解了。)
FRAMEWORK OF POINTMLP
作者提出了一个简单但有效的基于MLP的点云理解网络,不引入复杂或沉重的操作。PointMLP的关键的操作可以表述为: