Window Normalization: Enhancing Point Cloud Understanding by Unifying Inconsistent Point Densities

要約

ダウンサンプリングと特徴抽出は、3次元点群理解のために不可欠な手順である。既存の手法は、点群内の異なる部分の点密度が一定でないことに起因する制約を受けている。本研究では、ダウンサンプリングステージの制限を分析し、事前抽出グループ単位の窓正規化モジュールを提案する。特に、窓正規化法は、異なる部分の点密度を統一するために利用される。さらに、テクスチャと空間情報を含むマルチタイプの特徴量を得るために、グループワイズ戦略を提案する。また、局所的な特徴と大域的な特徴のバランスをとるために、事前抽象化モジュールを提案する。広範な実験により，我々のモジュールがいくつかのタスクでより良い性能を発揮することが示された．S3DISのセグメンテーション課題（領域5）において，提案モジュールは小物体認識で優れた性能を示し，その結果は他よりも正確な境界を持つことがわかった．ソファの認識率は69.2%から84.4%に、柱の認識率は42.7%から48.7%に改善された。ベンチマークは71.7%/77.6%/91.9%(mIoU/mAcc/OA)から72.2%/78.2%/91.4%に改善された。S3DISの6重クロスバリデーションの精度は77.6%/85.8%/91.7%であり、最良のモデルであるS3DISの精度を上回る。mIoUでは最良モデルPointNeXt-XL（74.9%/83.0%/90.3%）を2.7%上回り、最先端性能を達成した。コードとモデルは https://github.com/DBDXSS/Window-Normalization.git で公開されています。

要約(オリジナル)

Downsampling and feature extraction are essential procedures for 3D point cloud understanding. Existing methods are limited by the inconsistent point densities of different parts in the point cloud. In this work, we analyze the limitation of the downsampling stage and propose the pre-abstraction group-wise window-normalization module. In particular, the window-normalization method is leveraged to unify the point densities in different parts. Furthermore, the group-wise strategy is proposed to obtain multi-type features, including texture and spatial information. We also propose the pre-abstraction module to balance local and global features. Extensive experiments show that our module performs better on several tasks. In segmentation tasks on S3DIS (Area 5), the proposed module performs better on small object recognition, and the results have more precise boundaries than others. The recognition of the sofa and the column is improved from 69.2% to 84.4% and from 42.7% to 48.7%, respectively. The benchmarks are improved from 71.7%/77.6%/91.9% (mIoU/mAcc/OA) to 72.2%/78.2%/91.4%. The accuracies of 6-fold cross-validation on S3DIS are 77.6%/85.8%/91.7%. It outperforms the best model PointNeXt-XL (74.9%/83.0%/90.3%) by 2.7% on mIoU and achieves state-of-the-art performance. The code and models are available at https://github.com/DBDXSS/Window-Normalization.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL