Réflexion sur la conception des réseaux et la géométrie locale dans les nuages de points : un cadre simple d'MLP résiduel

L'analyse de nuages de points est un défi en raison de la structure de données irrégulière et non ordonnée. Pour capturer les géométries 3D, les travaux antérieurs s'appuient principalement sur l'exploration d'extracteurs géométriques locaux sophistiqués utilisant des mécanismes de convolution, de graphe ou d'attention. Ces méthodes entraînent cependant une latence défavorable lors de l'inférence, et leurs performances se sont stabilisées ces dernières années. Dans cet article, nous présentons une nouvelle approche pour cette tâche. Nous observons que les informations géométriques locales détaillées ne sont probablement pas la clé de l'analyse des nuages de points -- nous introduisons un réseau MLP pur résiduel, appelé PointMLP, qui n'intègre aucun extracteur géométrique local sophistiqué mais offre tout de même des performances très compétitives. Doté d'un module d'affinité géométrique léger proposé, PointMLP établit le nouvel état de l'art sur plusieurs jeux de données. Sur le jeu de données ScanObjectNN du monde réel, notre méthode dépasse même la meilleure méthode précédente avec une précision supérieure de 3,3 %. Nous soulignons que PointMLP atteint cette forte performance sans aucune opération sophistiquée, ce qui conduit à une vitesse d'inférence supérieure. Comparé à la plupart des réseaux CurveNet récents, PointMLP s'entraîne deux fois plus rapidement, teste sept fois plus rapidement et est plus précis sur le benchmark ModelNet40. Nous espérons que notre PointMLP contribuera à une meilleure compréhension par la communauté de l'analyse des nuages de points. Le code est disponible à l'adresse https://github.com/ma-xu/pointMLP-pytorch.