Point is a Vector: A Feature Representation in Point Analysis

要約

点群の不規則性と不規則性は、点群解析に多くの課題をもたらします。
PointMLP は、点群解析における重要なポイントはジオメトリ情報だけではないことを示唆しています。
幾何学的アフィンモジュールを使用した単純な多層知覚 (MLP) 構造に基づいて、有望な結果を達成します。
ただし、これらの MLP のような構造は、特徴を固定の重みでのみ集約し、異なる点特徴のセマンティック情報の違いは無視されます。
そのため、誘導バイアスを使用して特徴集約を改善するために、ポイント特徴の新しいポイントベクトル表現を提案します。
導入されたベクトル表現の方向は、意味関係に従って 2 つのポイント フィーチャの集約を動的に調整できます。
それに基づいて、新しい Point2Vector MLP アーキテクチャを設計します。
実験では、ScanObjectNN データセットの分類タスクで最先端のパフォーマンスを達成し、以前の最良の方法と比較して 1% 増加することが示されています。
私たちの方法が、人々が点群解析におけるセマンティック情報の役割をよりよく理解し、より多くのより良い機能表現やその他の方法を探求するのに役立つことを願っています.

要約(オリジナル)

The irregularity and disorder of point clouds bring many challenges to point cloud analysis. PointMLP suggests that geometric information is not the only critical point in point cloud analysis. It achieves promising result based on a simple multi-layer perception (MLP) structure with geometric affine module. However, these MLP-like structures aggregate features only with fixed weights, while differences in the semantic information of different point features are ignored. So we propose a novel Point-Vector Representation of the point feature to improve feature aggregation by using inductive bias. The direction of the introduced vector representation can dynamically modulate the aggregation of two point features according to the semantic relationship. Based on it, we design a novel Point2Vector MLP architecture. Experiments show that it achieves state-of-the-art performance on the classification task of ScanObjectNN dataset, with 1% increase, compared with the previous best method. We hope our method can help people better understand the role of semantic information in point cloud analysis and lead to explore more and better feature representations or other ways.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google