PointNorm: Normalization is All You Need for Point Cloud Analysis

要約

点群のデータ構造が不規則であるため、点群の分析は困難です。
既存の作品は通常、PointNet ++のアドホックサンプリンググループ化操作を採用し、その後に点群の3Dジオメトリを活用するための高度なローカルおよび/またはグローバルフィーチャエクストラクタが続きます。
残念ながら、これらの複雑な手作りのモデル設計により、過去数年間で推論の待ち時間が短くなり、パフォーマンスが飽和状態になりました。
この論文では、不規則な点群での古典的なサンプリンググループ化操作が、後続のMLP層の学習を困難にすることを指摘します。
点群の不規則性を減らすために、サンプリンググループ化操作の後にDualNormモジュールを導入します。
DualNormモジュールは、グループ化されたポイントをサンプリングされたポイントに正規化するPoint Normalizationと、サンプリングされたポイントをグループ化されたポイントに正規化するReversePointNormalizationで構成されます。
提案されたPointNormは、ローカル平均とグローバル標準偏差を利用して、忠実な推論速度を維持しながら、ローカル機能とグローバル機能の両方から利益を得ることができます。
点群分類の実験は、ModelNet40およびScanObjectNNデータセットで最先端の精度を達成したことを示しています。
また、モデルを一般化して点群のセグメンテーションをポイントし、ShapeNetPartデータセットで競争力のあるパフォーマンスを示します。
コードはhttps://github.com/ShenZheng2000/PointNorm-for-Point-Cloud-Analysisで入手できます。

要約(オリジナル)

Point cloud analysis is challenging due to the irregularity of the point cloud data structure. Existing works typically employ the ad-hoc sampling-grouping operation of PointNet++, followed by sophisticated local and/or global feature extractors for leveraging the 3D geometry of the point cloud. Unfortunately, those intricate hand-crafted model designs have led to poor inference latency and performance saturation in the last few years. In this paper, we point out that the classical sampling-grouping operations on the irregular point cloud cause learning difficulty for the subsequent MLP layers. To reduce the irregularity of the point cloud, we introduce a DualNorm module after the sampling-grouping operation. The DualNorm module consists of Point Normalization, which normalizes the grouped points to the sampled points, and Reverse Point Normalization, which normalizes the sampled points to the grouped points. The proposed PointNorm utilizes local mean and global standard deviation to benefit from both local and global features while maintaining a faithful inference speed. Experiments on point cloud classification show that we achieved state-of-the-art accuracy on ModelNet40 and ScanObjectNN datasets. We also generalize our model to point cloud part segmentation and demonstrate competitive performance on the ShapeNetPart dataset. Code is available at https://github.com/ShenZheng2000/PointNorm-for-Point-Cloud-Analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google