Découplage de l'agrégation locale pour l'apprentissage sur les nuages de points

La nature non structurée des nuages de points exige que l'agrégation locale s'adapte à différentes structures locales. Les méthodes précédentes répondent à ce défi en intégrant explicitement les relations spatiales dans chaque processus d'agrégation. Bien que cette approche couplée ait été jugée efficace pour générer des sémantiques claires, l'agrégation peut être considérablement ralentie en raison de l'apprentissage répété des relations et des calculs redondants pour mélanger les caractéristiques directionnelles et ponctuelles. Dans ce travail, nous proposons de découpler le modèle explicite des relations spatiales de l'agrégation locale. Nous prouvons théoriquement que les opérations de poolage de base des voisins peuvent également fonctionner sans perte de clarté dans la fusion des caractéristiques, tant que les informations spatiales essentielles ont été codées dans les caractéristiques ponctuelles. Comme une illustration concrète de l'agrégation locale découplée, nous présentons DeLA (Decoupled Local Aggregation), un réseau de points léger, où à chaque stade d'apprentissage, les encodages spatiaux relatifs sont d'abord formés, puis seules les convolutions ponctuelles et le poolage maximal sur les arêtes sont utilisés pour l'agrégation locale. De plus, un terme de régularisation est employé pour réduire toute ambiguïté potentielle par la prédiction des coordonnées relatives. Bien que conceptuellement simple, les résultats expérimentaux sur cinq benchmarks classiques montrent que DeLA atteint des performances de pointe avec une latence réduite ou comparable. Plus précisément, DeLA obtient plus de 90 % d'exactitude globale sur ScanObjectNN et 74 % de mIoU sur S3DIS Area 5. Notre code est disponible à l'adresse suivante : https://github.com/Matrix-ASC/DeLA .