Parameter ist nicht alles, was Sie benötigen: Beginnend mit nichtparametrischen Netzen für die Analyse von 3D-Punktwolken

Wir präsentieren ein nichtparametrisches Netzwerk für die Analyse von 3D-Punktwolken, Point-NN, das ausschließlich aus nicht lernfähigen Komponenten besteht: der Fernsten-Punkt-Abtastung (Farthest Point Sampling, FPS), den k-nächsten Nachbarn (k-Nearest Neighbors, k-NN) und Pooling-Operationen mit trigonometrischen Funktionen. Überraschenderweise erzielt es gute Ergebnisse bei verschiedenen 3D-Aufgaben, ohne Parameter oder Training zu benötigen, und übertrifft sogar bereits vollständig trainierte Modelle. Ausgehend von diesem grundlegenden nichtparametrischen Modell schlagen wir zwei Erweiterungen vor. Erstens kann Point-NN als architektonische Grundstruktur dienen, um Parametrische Netzwerke durch einfache Einfügung linearer Schichten zu konstruieren. Aufgrund der überlegenen nichtparametrischen Basis zeigt das abgeleitete Point-PN einen hohen Leistungseffizienz-Kompromiss mit nur wenigen lernfähigen Parametern. Zweitens kann Point-NN als Plug-and-Play-Modul für bereits trainierte 3D-Modelle während der Inferenz angesehen werden. Point-NN erfasst ergänzendes geometrisches Wissen und verbessert bestehende Methoden für verschiedene 3D-Benchmarks ohne erneutes Training. Wir hoffen, dass unsere Arbeit Licht ins Dunkel bringt und zur Verständnis von 3D-Punktwolken mit nichtparametrischen Methoden beiträgt. Der Quellcode ist unter https://github.com/ZrrSkywalker/Point-NN verfügbar.