Parameter is Not All You Need: Starting from Non-Parametric Networks for 3D Point Cloud Analysis
Point-NN:仅包括非参数的部分(最远点采样FPS、k邻域k-NN,池化),利用三角函数实现
PS:池化又称为下采样,压缩输入的特征
结果表明:无参数不训练的模型性能优于现存的训练模型。
因此从基本的非参数模型,提出两个扩展:
(1)将
Point-NN作为基本架构框架,通过简单插入线性层,得到少量学习参数,高性能的
Point-PN
。
(2)将
Point-NN视为已训练好的可以即插即用的模型,利用三角函数捕捉的低水准的3D结构信号,提供给现存的不同3D基准模型的高级语义,而无需再训练;
自从
PointNet++ 算法以来,热点聚焦在增加高级的局部运算和增加可以学习的参数比例,利用提取局部几何机制,例如自适应点卷积,类似于图像的信息传递等,代替池化特征聚合。性能随着参数的增加而增加,同时增加了网络复杂性和计算难度。
Point-NN:主要两方面
(1)三维特征提取的非参数编码器:
利用三角函数将原始点变为高维向量,利用非学习参数分类聚合局部特征。
(2)一个用于任特殊任务识别的点记忆库。
多阶段编码器应用FPS、k-NN、三角函数和池化操作来逐步聚合局部几何图形,为点云生成一个高维的全局向量。利用三角函数揭示每一个池化阶段局部空间模型,利用无参数编码的
Point-NN,提取训练集特征,并将其存为点记忆库。编码器的识别能力利用测试集和点记忆库的特征匹配验证。
ps:
点云的特点:在三维空间中离散描绘物体表面的无序点