Parameter is Not All You Need: Starting from Non-Parametric Networks for 3D Point Cloud Analysis

要約

3D 点群解析用のノンパラメトリック ネットワーク、Point-NN を提示します。これは、純粋に学習不可能なコンポーネントで構成されています: 最遠点サンプリング (FPS)、k 最近傍点 (k-NN)、プーリング操作、および三角関数
.
驚くべきことに、さまざまな 3D タスクで優れたパフォーマンスを発揮し、パラメーターやトレーニングを必要とせず、完全にトレーニングされた既存のモデルよりも優れています。
この基本的なノンパラメトリック モデルから始めて、2 つの拡張を提案します。
まず、Point-NN は、単純に線形層を上に挿入するだけで、パラメトリック ネットワークを構築するための基本アーキテクチャ フレームワークとして機能します。
優れたノンパラメトリック基盤を考えると、導出された Point-PN は、わずかな学習可能なパラメーターのみで高いパフォーマンスと効率のトレードオフを示します。
次に、Point-NN は、推論中に既にトレーニングされた 3D モデルのプラグアンドプレイ モジュールと見なすことができます。
Point-NN は、補完的な幾何学的知識を取得し、再トレーニングなしでさまざまな 3D ベンチマークの既存の方法を強化します。
私たちの仕事が、ノンパラメトリックな方法で 3D 点群を理解するためのコミュニティに光を当てることを願っています。
コードは https://github.com/ZrrSkywalker/Point-NN で入手できます。

要約(オリジナル)

We present a Non-parametric Network for 3D point cloud analysis, Point-NN, which consists of purely non-learnable components: farthest point sampling (FPS), k-nearest neighbors (k-NN), and pooling operations, with trigonometric functions. Surprisingly, it performs well on various 3D tasks, requiring no parameters or training, and even surpasses existing fully trained models. Starting from this basic non-parametric model, we propose two extensions. First, Point-NN can serve as a base architectural framework to construct Parametric Networks by simply inserting linear layers on top. Given the superior non-parametric foundation, the derived Point-PN exhibits a high performance-efficiency trade-off with only a few learnable parameters. Second, Point-NN can be regarded as a plug-and-play module for the already trained 3D models during inference. Point-NN captures the complementary geometric knowledge and enhances existing methods for different 3D benchmarks without re-training. We hope our work may cast a light on the community for understanding 3D point clouds with non-parametric methods. Code is available at https://github.com/ZrrSkywalker/Point-NN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google