Point-GN: A Non-Parametric Network Using Gaussian Positional Encoding for Point Cloud Classification

要約

この論文では、効率的かつ正確な 3D 点群分類のための新しいノンパラメトリック ネットワークである Point-GN を紹介します。
多数のトレーニング可能なパラメーターに依存する従来の深層学習モデルとは異なり、Point-GN は学習不可能なコンポーネント、具体的には最遠点サンプリング (FPS)、k 近傍法 (k-NN)、およびガウス位置エンコーディング (GPE) を活用します。
– ローカルおよびグローバルの両方の幾何学的特徴を抽出します。
この設計により、高いパフォーマンスを維持しながら追加のトレーニングが不要になるため、Point-GN はリソースに制約のあるリアルタイムのアプリケーションに特に適しています。
ModelNet40 と ScanObjectNN の 2 つのベンチマーク データセットで Point-GN を評価し、計算の複雑さを大幅に軽減しながら、それぞれ 85.29% と 85.89% の分類精度を達成しました。
Point-GN は既存のノンパラメトリック手法を上回り、学習可能なパラメーターがすべてゼロの、完全にトレーニングされたモデルのパフォーマンスに匹敵します。
私たちの結果は、Point-GN が実用的なリアルタイム環境における 3D 点群分類の有望なソリューションであることを示しています。

要約(オリジナル)

This paper introduces Point-GN, a novel non-parametric network for efficient and accurate 3D point cloud classification. Unlike conventional deep learning models that rely on a large number of trainable parameters, Point-GN leverages non-learnable components-specifically, Farthest Point Sampling (FPS), k-Nearest Neighbors (k-NN), and Gaussian Positional Encoding (GPE)-to extract both local and global geometric features. This design eliminates the need for additional training while maintaining high performance, making Point-GN particularly suited for real-time, resource-constrained applications. We evaluate Point-GN on two benchmark datasets, ModelNet40 and ScanObjectNN, achieving classification accuracies of 85.29% and 85.89%, respectively, while significantly reducing computational complexity. Point-GN outperforms existing non-parametric methods and matches the performance of fully trained models, all with zero learnable parameters. Our results demonstrate that Point-GN is a promising solution for 3D point cloud classification in practical, real-time environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google