[论文解读] Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline

Ankit Goyal, Hei Law+3 more|arXiv (Cornell University)|Jun 9, 2021

3D Shape Modeling and Analysis参考文献 66被引用 59

一句话总结

本文表明评估协议因素在很大程度上驱动点云分类性能，并引入 SimpleView，一种简单的基于投影的基线，在受控协议下可达到或超过最先进结果，同时使用更少的参数。

ABSTRACT

Processing point cloud data is an important component of many real-world systems. As such, a wide variety of point-based approaches have been proposed, reporting steady benchmark improvements over time. We study the key ingredients of this progress and uncover two critical results. First, we find that auxiliary factors like different evaluation schemes, data augmentation strategies, and loss functions, which are independent of the model architecture, make a large difference in performance. The differences are large enough that they obscure the effect of architecture. When these factors are controlled for, PointNet++, a relatively older network, performs competitively with recent methods. Second, a very simple projection-based method, which we refer to as SimpleView, performs surprisingly well. It achieves on par or better results than sophisticated state-of-the-art methods on ModelNet40 while being half the size of PointNet++. It also outperforms state-of-the-art methods on ScanObjectNN, a real-world point cloud benchmark, and demonstrates better cross-dataset generalization. Code is available at https://github.com/princeton-vl/SimpleView.

研究动机与目标

• 评估协议因素（评估方案、数据增强、损失函数）在不依赖于特定架构的情况下对点云分类性能的影响。
• 在受控协议下重新评估常见架构（PointNet、PointNet++、DGCNN、RSCNN）。
• 介绍并评估 SimpleView，一种简单的基于投影的基线。
• 展示 SimpleView 在 ModelNet40 和真实世界数据集 ScanObjectNN 上的性能及其在不同数据集之间的泛化能力。

提出的方法

• 定义并分析一个协议框架，使架构与可控因素（如数据增强和损失函数）分离。
• 在标准化协议下复现并比较 PointNet、PointNet++、DGCNN 与 RSCNN。
• 实现 SimpleView，一种将三维点转换为正交平面的深度图并用轻量级 CNN（ResNet18/4）处理的基线投影方法。
• 对每个对象使用固定的 1024 点、不使用 ImageNet 预训练、以及非集成预测以实现公平比较。
• 对视图数量、投影类型（透视/正交）、深度计算（最小值 vs 加权平均）以及特征融合（拼接 vs 池化）进行消融实验。
• 在 ModelNet40 和 ScanObjectNN 上进行实验，包括跨数据集迁移测试。

实验结果

研究问题

• RQ1 协议选择（数据增强、损失、评估协议）在点云分类方法中的报告性能上有多大影响？
• RQ2 在协议受控的情况下，简单的基于投影的基线是否能够达到或超过最先进的点基网络？
• RQ3 SimpleView 在 ModelNet40 和真实世界的 ScanObjectNN 上的表现如何，是否具备跨数据集的泛化性？

主要发现

• 协议选择导致了巨大的性能差异，可能掩盖了架构的提升。
• 在控制协议时，PointNet++ 与较新架构具有竞争力。
• SimpleView 在 ModelNet40 上与最先进方法不相上下或更好，在 ScanObjectNN 上优于它们。
• SimpleView 使用的参数比竞争网络更少，并且不依赖 ImageNet 预训练。
• 与以往方法相比，SimpleView 展现出更好的跨数据集泛化能力。