![43bc106f4ac09f77a3ea723f61785e4e.png](https://i-blog.csdnimg.cn/blog_migrate/6827935d7a603d4e6e4400286b620c99.jpeg)
首发于公众号:3D点云深度学习。
论文:’Point-Voxel CNN for Efficient 3D Deep Learning’
来源:NeurIPS2019Spotlight
共同一作:Zhijian Liu (MIT), Haotian Tang(上海交大)
代码:https://github.com/mit-han-lab/pvcnn
项目:https://hanlab.mit.edu/projects/pvcnn/
3D深度学习广泛的应用到多个领域,如AR/VR和自动驾驶等,因此受到了越来越多的关注。在这些应用中往往需要很高的实时性。然而,终端设备(如手机和VR头戴设备)受到硬件资源和电池的严格限制。因此,设计高效、快速的三维深度学习模型是非常重要的。这篇文章巧妙地将voxel-based方法和point-based方法结合,新框架同时具备了两种方法的优点。
- 已有方法的缺陷分析
论文对已有方法的缺陷进行了细致地分析,这是文章重要的一部分。论文的分析很透彻,给笔者留下了很深的印象。
对于voxel-based类方法的缺陷,论文指出:这类方法难以平衡分辨率和内存的关系。当体素尺寸较大时,分辨率低,大量点云占据同一个体素,没办法很好地区分。然而,当减小体素