CVPR2023点云论文（二）：无参数三维点云分析 Point-NN

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