Hierarchical Adaptive Voxel-guided Sampling for Real-time Applications in Large-scale Point Clouds

要約

ポイントベースのニューラル アーキテクチャはその有効性を実証していますが、時間のかかるサンプラーにより、現在、シーン レベルの点群に対してリアルタイムの推論を実行できません。
既存の方法は、一般的に採用されている最遠点サンプリング (FPS) の代わりにランダム サンプリング戦略を使用することでこの問題を解決しようとしていますが、パフォーマンスが低下します。
そのため、有効性と効率のトレードオフは依然として十分に検討されていません。
この論文では、高品質のサンプリングの鍵は、サブセット内の点間の均等な間隔を確保することであり、これはグリッドを通じて自然に取得できることを明らかにします。
この洞察に基づいて、リアルタイム アプリケーション向けに線形複雑さと高度な並列化を備えた階層適応ボクセル ガイド ポイント サンプラーを提案します。
大規模な点群検出およびセグメンテーション タスクに関する広範な実験により、私たちの方法が 100 倍を超える驚くべき速度で、最も強力な FPS と競合するパフォーマンスを達成できることが実証されました。
この効率の画期的な進歩により、シーンレベルの点群を処理する際のサンプリング ステップのボトルネックが解決されます。
さらに、当社のサンプラーは既存のモデルに簡単に統合でき、最小限の労力で実行時間の 20$\sim$80\% の削減を達成します。
コードは https://github.com/OuyangJunyuan/pointcloud-3d-detector-tensorrt で入手できます。

要約(オリジナル)

While point-based neural architectures have demonstrated their efficacy, the time-consuming sampler currently prevents them from performing real-time reasoning on scene-level point clouds. Existing methods attempt to overcome this issue by using random sampling strategy instead of the commonly-adopted farthest point sampling~(FPS), but at the expense of lower performance. So the effectiveness/efficiency trade-off remains under-explored. In this paper, we reveal the key to high-quality sampling is ensuring an even spacing between points in the subset, which can be naturally obtained through a grid. Based on this insight, we propose a hierarchical adaptive voxel-guided point sampler with linear complexity and high parallelization for real-time applications. Extensive experiments on large-scale point cloud detection and segmentation tasks demonstrate that our method achieves competitive performance with the most powerful FPS, at an amazing speed that is more than 100 times faster. This breakthrough in efficiency addresses the bottleneck of the sampling step when handling scene-level point clouds. Furthermore, our sampler can be easily integrated into existing models and achieves a 20$\sim$80\% reduction in runtime with minimal effort. The code will be available at https://github.com/OuyangJunyuan/pointcloud-3d-detector-tensorrt

arxiv情報

提供元, 利用サービス

arxiv.jp, Google