Paramètre n'est pas tout ce dont vous avez besoin : Débuter avec les réseaux non paramétriques pour l'analyse de nuages de points 3D

Nous présentons un réseau non paramétrique pour l'analyse des nuages de points 3D, appelé Point-NN, qui est composé exclusivement de composants non apprenables : l'échantillonnage du point le plus éloigné (FPS), les k-plus proches voisins (k-NN) et des opérations de poolage, avec des fonctions trigonométriques. De manière surprenante, ce réseau performe bien sur diverses tâches 3D, sans nécessiter aucun paramètre ou entraînement, et même dépasse certains modèles entièrement entraînés existants. Partant de ce modèle non paramétrique de base, nous proposons deux extensions. Premièrement, Point-NN peut servir de cadre architectural de base pour construire des réseaux paramétriques en insérant simplement des couches linéaires au-dessus. Grâce à sa fondation non paramétrique supérieure, le Point-PN dérivé offre un excellent compromis entre performance et efficacité avec seulement quelques paramètres apprenables. Deuxièmement, Point-NN peut être considéré comme un module plug-and-play pour les modèles 3D déjà entraînés lors de l'inférence. Point-NN capture les connaissances géométriques complémentaires et améliore les méthodes existantes pour différents benchmarks 3D sans réentraînement. Nous espérons que notre travail apportera une contribution significative à la communauté pour la compréhension des nuages de points 3D par des méthodes non paramétriques. Le code est disponible à l'adresse suivante : https://github.com/ZrrSkywalker/Point-NN.