Réviser la classification de nuages de points avec une base simple et efficace

Le traitement des nuages de points constitue une composante essentielle de nombreux systèmes du monde réel. À ce titre, une grande variété d’approches basées sur les points a été proposée, entraînant des améliorations régulières sur les benchmarks au fil du temps. Nous étudions les éléments clés de cette progression et mettons en évidence deux résultats fondamentaux. Premièrement, nous constatons que des facteurs auxiliaires tels que les schémas d’évaluation, les stratégies d’augmentation de données et les fonctions de perte — qui sont indépendants de l’architecture du modèle — ont une influence considérable sur les performances. Ces différences sont suffisamment importantes pour masquer l’effet de l’architecture elle-même. Lorsqu’on contrôle ces facteurs, PointNet++, un réseau relativement ancien, se révèle compétitif par rapport aux méthodes les plus récentes. Deuxièmement, une méthode très simple basée sur la projection, que nous appelons SimpleView, se montre surprenamment performante. Elle atteint des résultats équivalents ou supérieurs à ceux des méthodes d’état de l’art sophistiquées sur ModelNet40, tout en étant deux fois plus petite que PointNet++. Elle surpasser également les méthodes d’état de l’art sur ScanObjectNN, un benchmark réel pour les nuages de points, et démontre une meilleure généralisation inter-données.