Fensternormalisierung: Verbesserung des Verständnisses von Punktwolken durch Vereinheitlichung inkonsistenter Punkt-Dichten

Downsampling und Merkmalsextraktion sind essenzielle Schritte für das Verständnis von 3D-Punktwolken. Bestehende Methoden sind durch die unterschiedlichen Punkt-Dichten verschiedener Regionen innerhalb der Punktwolke eingeschränkt. In dieser Arbeit analysieren wir die Limitationen des Downsampling-Schritts und stellen das vorausabstrahierende gruppenweise Fenster-Normalisierungsmodul vor. Insbesondere wird die Fenster-Normalisierung genutzt, um die Punkt-Dichten in unterschiedlichen Bereichen zu standardisieren. Darüber hinaus wird eine gruppenweise Strategie vorgeschlagen, um mehrfachartige Merkmale – einschließlich Textur- und räumlicher Informationen – zu erzielen. Außerdem wird ein vorausabstrahierendes Modul eingeführt, um das Gleichgewicht zwischen lokalen und globalen Merkmalen zu gewährleisten. Umfangreiche Experimente zeigen, dass unser Modul in mehreren Aufgaben überlegen abschneidet. Bei Segmentierungsaufgaben auf S3DIS (Area 5) erreicht das vorgeschlagene Modul eine verbesserte Erkennung kleiner Objekte, wobei die Ergebnisse präzisere Konturen aufweisen. Die Erkennungsraten für Sofa und Säule steigen von 69,2 % auf 84,4 % beziehungsweise von 42,7 % auf 48,7 %. Die Benchmarks verbessern sich von 71,7 % / 77,6 % / 91,9 % (mIoU / mAcc / OA) auf 72,2 % / 78,2 % / 91,4 %. Die Genauigkeiten bei der 6-fachen Kreuzvalidierung auf S3DIS betragen 77,6 % / 85,8 % / 91,7 %. Das Modul übertrifft das beste bisherige Modell, PointNeXt-XL (74,9 % / 83,0 % / 90,3 %), um 2,7 % in Bezug auf mIoU und erreicht damit einen Stand der Technik. Der Quellcode und die Modelle sind unter https://github.com/DBDXSS/Window-Normalization.git verfügbar.