[论文解读] LightConvPoint: convolution for points

Alexandre Boulch, Gilles Puy+1 more|arXiv (Cornell University)|Apr 9, 2020

3D Shape Modeling and Analysis参考文献 43被引用 1

一句话总结

本文提出 LightConvPoint，一种新颖的点卷积方法，通过将核权重估计与空间对齐解耦，实现了高效且精确的点云处理。结合新型采样策略与与几何无关的卷积形式，该方法在分类和语义分割基准上实现了最先进性能，同时显著降低内存占用与推理时间。

ABSTRACT

Recent state-of-the-art methods for point cloud processing are based on the notion of point convolution, for which several approaches have been proposed. In this paper, inspired by discrete convolution in image processing, we provide a formulation to relate and analyze a number of point convolution methods. We also propose our own convolution variant, that separates the estimation of geometry-less kernel weights and their alignment to the spatial support of features. Additionally, we define a point sampling strategy for convolution that is both effective and fast. Finally, using our convolution and sampling strategy, we show competitive results on classification and semantic segmentation benchmarks while being time and memory efficient.

研究动机与目标

• 通过受离散图像卷积启发的公式化方法，统一并分析现有点卷积方法。
• 解决现有点卷积方法在内存与计算方面的低效与复杂问题。
• 设计一种在特征提取方面高效且实际应用中高效的采样策略。
• 提出一种将几何对齐与核权重学习分离的卷积变体，以提升泛化能力与效率。

提出的方法

• 基于离散卷积的类比形式化点卷积，使现有方法能够系统化分析。
• 引入两阶段流程：首先独立于几何结构估计核权重，然后将权重对齐至输入特征的空间支撑。
• 提出一种专为点云卷积操作设计的快速且高效的点采样策略。
• 采用与几何无关的核权重估计方法，降低对局部几何结构的依赖，提升鲁棒性。
• 使用可学习的聚合机制，将采样点的特征整合为结构化的卷积输出。
• 设计整体架构以最小化内存占用，并在不损失准确率的前提下加速推理。

实验结果

研究问题

• RQ1 如何基于图像卷积的原理，系统化地公式化与分析点卷积？
• RQ2 将核权重估计与空间对齐解耦，能否提升点云处理中的效率与性能？
• RQ3 何种采样策略可在保持计算效率的同时实现高质量的特征提取？
• RQ4 与几何无关的卷积设计在多样化点云基准上能在多大程度上保持性能？

主要发现

• LightConvPoint 在点云分类与语义分割基准上实现了具有竞争力的性能。
• 与先前最先进方法相比，该方法显著降低了内存消耗与推理时间。
• 将核权重估计与空间对齐分离，提升了训练稳定性和泛化能力。
• 所提出的采样策略在计算开销极小的前提下，实现了有效的特征提取。