.png){kind=icon}
返回
Efficient point cloud representation learning with a recurrent hierarchical framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112814.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
3D点云分析正迅速发展。由于点云的无序和非结构化特性，越来越多的方法被设计得更加庞大和复杂，以换取性能提升。这种趋势导致模型效率低下，并显著增加了参数量和计算需求。为了挑战该领域“高性能模型必然需要高参数量和计算复杂度”的偏见，我们提出了一种高效的循环分层框架PointLoop，它以低参数量和计算量实现了出色的性能。此外，局部特征对于塑造点云表示至关重要。然而，点的不均匀分布导致局部特征在密集和稀疏区域存在泛化问题。为此，我们提出了一个名为MNPNet的模块，该模块专为PointLoop内部的局部空间几何特征抽象而设计，也可集成到其他网络中。我们在多个具有挑战性的基准数据集上进行了细致的控制和消融实验。实验结果表明，PointLoop具有高效的点云表示能力。在3D语义分割和部件分割任务中，PointLoop分别仅使用SOTA方法的7.2%和13.3%的参数量便超越了其性能；在3D分类任务中，PointLoop仅使用SOTA方法11.4%的参数量便取得了相当的性能。
Keyword:
3D point clouds
Representation learning
Computer vision
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
.png){kind=icon}
Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion
OAAI
OAAI分享收藏
查看更多内容