Neuüberlegung der Netzwerkarchitektur und lokalen Geometrie in Punktwolken: Ein einfaches residuelles MLP-Framework

Die Analyse von Punktwolken ist aufgrund der Irregularität und der unstrukturierten Datenorganisation herausfordernd. Um die 3D-Geometrien zu erfassen, basieren frühere Arbeiten hauptsächlich auf der Entwicklung komplexer lokaler geometrischer Extraktoren unter Verwendung von Faltung, Graphen oder Aufmerksamkeitsmechanismen. Diese Methoden führen jedoch während des Inferenzprozesses zu unerwünschten Verzögerungen, und ihre Leistung hat sich in den letzten Jahren stagniert. In dieser Arbeit stellen wir eine neue Perspektive auf diese Aufgabe vor. Wir bemerken, dass detaillierte lokale geometrische Informationen wahrscheinlich nicht der Schlüssel zur Analyse von Punktwolken sind – wir führen ein reines residuelles MLP-Netzwerk ein, das PointMLP genannt wird und keine komplexen lokalen geometrischen Extraktoren integriert, dennoch sehr wettbewerbsfähig performt. Ausgestattet mit einem vorgeschlagenen leichten geometrischen Affin-Modul erreicht PointMLP den neuen Stand der Technik in mehreren Datensätzen. Im realweltlichen ScanObjectNN-Datensatz übertrifft unsere Methode die bisher beste Methode sogar um 3,3 % Genauigkeit. Wir betonen, dass PointMLP diese starke Leistung ohne jegliche komplexe Operationen erzielt und daher zu einer überlegenen Inferenzgeschwindigkeit führt. Verglichen mit dem neuesten CurveNet trainiert PointMLP 2-mal schneller, testet 7-mal schneller und ist genauer im ModelNet40-Benchmark. Wir hoffen, dass unser PointMLP der Gemeinschaft bei einem besseren Verständnis der Analyse von Punktwolken helfen kann. Der Code ist unter https://github.com/ma-xu/pointMLP-pytorch verfügbar.