PIDS: Gemeinsame Suche nach Interaktions- und Dimensionspunkten in 3D-Punktwolken

Die Interaktion und die Dimension von Punkten sind zwei wichtige Achsen bei der Gestaltung von Punktoperatoren für hierarchische 3D-Modelle. Diese beiden Achsen sind jedoch heterogen und schwer vollständig zu erforschen. Bestehende Arbeiten entwickeln Punktoperatoren unter einer einzelnen Achse und wenden den erstellten Operator in allen Teilen der 3D-Modelle an. Dabei wird die Möglichkeit übersehen, durch die Ausnutzung unterschiedlicher Geometrien/Dichten von 3D-Punktwolken Point-Interaktionen und -Dimensionen besser zu kombinieren. In dieser Arbeit stellen wir PIDS vor, ein neues Paradigma, das Point-Interaktionen und -Dimensionen gemeinsam erforscht, um semantische Segmentierung auf Punktwolken-Daten zu unterstützen. Wir schaffen einen großen Suchraum, um vielfältige Point-Interaktionen und -Dimensionen gemeinsam zu berücksichtigen. Dies ermöglicht es, Punktoperatoren mit verschiedenen geometrischen/dichten Überlegungen zu unterstützen. Der erweiterte Suchraum mit heterogenen Suchkomponenten erfordert eine bessere Rangfolge der Kandidatenmodelle. Um dies zu erreichen, verbessern wir die Erforschung des Suchraums durch die Nutzung eines prädiktorbasierten neuronalen Architektursuchens (Neural Architecture Search, NAS) und erhöhen die Vorhersagequalität, indem wir basierend auf ihren A-priori-Werten eindeutige Codierungen den heterogenen Suchkomponenten zuweisen. Wir evaluieren die durch PIDS erstellten Netze ausführlich anhand zweier Benchmarks für semantische Segmentierung und zeigen eine Verbesserung des mIOU von etwa 1 % im Vergleich zu den besten bisher bekannten 3D-Modellen auf SemanticKITTI und S3DIS.