Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis

要約

最近、MLP ベースの手法が点群解析で優れたパフォーマンスを示しています。
単純な MLP アーキテクチャは、ローカル点グループの幾何学的特徴を学習できますが、長距離の依存関係を直接モデル化することはできません。
本稿では、強力な表現能力で長距離関係を捕捉できる簡潔なMLPベースのネットワークであるPoint Deformable Network (PDNet)を提案します。
具体的には、ポイント間の長距離依存性と適応集約の両方における表現能力を向上させるために、Point Deformable Aggregation Module (PDAM) を提案しました。
PDAM は、クエリ ポイントごとに、限られたローカル エリア内のポイントではなく、変形可能な参照ポイントから情報を集約します。
変形可能な参照ポイントはデータに応じて生成され、入力ポイントの位置に従って初期化されます。
追加のオフセットと変調スカラーはポイント フィーチャ全体で学習され、変形可能な参照ポイントを対象領域にシフトします。
また、点群の法線ベクトルを推定し、拡張法線埋め込み (ENE) を幾何抽出器に適用して、単一点の表現能力を向上させることも提案します。
さまざまなベンチマークに関する広範な実験とアブレーション研究により、当社の PDNet の有効性と優位性が実証されています。

要約(オリジナル)

Recently MLP-based methods have shown strong performance in point cloud analysis. Simple MLP architectures are able to learn geometric features in local point groups yet fail to model long-range dependencies directly. In this paper, we propose Point Deformable Network (PDNet), a concise MLP-based network that can capture long-range relations with strong representation ability. Specifically, we put forward Point Deformable Aggregation Module (PDAM) to improve representation capability in both long-range dependency and adaptive aggregation among points. For each query point, PDAM aggregates information from deformable reference points rather than points in limited local areas. The deformable reference points are generated data-dependent, and we initialize them according to the input point positions. Additional offsets and modulation scalars are learned on the whole point features, which shift the deformable reference points to the regions of interest. We also suggest estimating the normal vector for point clouds and applying Enhanced Normal Embedding (ENE) to the geometric extractors to improve the representation ability of single-point. Extensive experiments and ablation studies on various benchmarks demonstrate the effectiveness and superiority of our PDNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google