摘要
点之间的交互和维度是设计用于分层3D模型的点算子的两个重要轴。然而，这两个轴具有异质性，难以全面探索。现有的研究工作通常在单一轴上构建点算子，并将其应用于3D模型的所有部分。这种方法忽略了通过利用3D点云的不同几何形状/密度来更好地结合点交互和维度的机会。在本工作中，我们提出了PIDS（Point Interaction and Dimension Search），这是一种新颖的范式，旨在联合探索点交互和点维度以服务于点云数据的语义分割。我们建立了一个大的搜索空间，以综合考虑多样化的点交互和点维度。这支持了基于不同几何形状/密度考量的点算子的设计。扩大的搜索空间包含异质性的搜索组件，需要对候选模型进行更好的排序。为此，我们通过利用基于预测器的神经架构搜索（Neural Architecture Search, NAS）改进了搜索空间的探索，并通过根据其先验为异质性搜索组件分配独特的编码来提高预测质量。我们在两个语义分割基准数据集上对由PIDS生成的网络进行了详尽评估，结果显示在SemanticKITTI和S3DIS上相比最先进的3D模型有约1%的mIOU提升。