Normalisation par fenêtre : Amélioration de la compréhension des nuages de points par unification de densités de points incohérentes

Le sous-échantillonnage et l'extraction de caractéristiques sont des étapes essentielles pour la compréhension des nuages de points 3D. Les méthodes existantes sont limitées par la densité inégale des points entre différentes régions du nuage. Dans ce travail, nous analysons les limitations de la phase de sous-échantillonnage et proposons un module de normalisation par fenêtre en groupes pré-abstraction. En particulier, la méthode de normalisation par fenêtre est exploitée pour uniformiser la densité des points dans différentes parties du nuage. Par ailleurs, une stratégie par groupes est introduite afin d’extraire des caractéristiques multi-types, incluant à la fois des informations texturales et spatiales. Nous proposons également un module pré-abstraction pour équilibrer les caractéristiques locales et globales. Des expériences étendues montrent que notre module obtient de meilleurs résultats sur plusieurs tâches. Dans les tâches de segmentation sur S3DIS (Zone 5), le module proposé améliore significativement la reconnaissance des petits objets, avec des frontières plus précises que celles des méthodes existantes. La précision de reconnaissance du canapé passe de 69,2 % à 84,4 %, celle du pilier de 42,7 % à 48,7 %. Les performances sur les benchmarks s’améliorent de 71,7 % / 77,6 % / 91,9 % (mIoU / mAcc / OA) à 72,2 % / 78,2 % / 91,4 %. Les résultats de validation croisée à 6 plis sur S3DIS atteignent 77,6 % / 85,8 % / 91,7 %. Ce module surpassent le meilleur modèle existant, PointNeXt-XL (74,9 % / 83,0 % / 90,3 %), de 2,7 % en mIoU et atteignent un niveau d’état de l’art. Le code source et les modèles sont disponibles à l’adresse suivante : https://github.com/DBDXSS/Window-Normalization.git.