【点云处理】开源 | ASSANet：用于高效点云表示学习的各向异性可分离集合抽象

获取完整原文和代码，公众号回复：10090930453

论文地址： http://arxiv.org/pdf/2110.10538v2.pdf

代码： 公众号回复：10090930453

来源： King Abdullah University of Science and Technology

论文名称：ASSANet: An Anisotropic Separable Set Abstraction for Efficient Point Cloud Representation Learning

原文作者：Guocheng Qian

内容提要

在各种移动设备中嵌入的激光雷达传感器已经广泛促进了对3D点云表示的访问。这导致了对快速和准确的点云处理技术的需求。在本文中，我们深入地研究最有影响力但尚未开发的网络之一PointNet++，并开发更快、更准确的模型变体。本文提出了一个新的可分离集抽象(SA)模块，该模块将PointNet++中使用的普通SA模块分解为两个独立的学习阶段：学习通道相关和学习空间相关。可分离SA模块比普通版本快得多。然后将一个新的各向异性约简函数引入到可分离SA模块中，并提出了一个各向异性可分离SA (ASSA)模块，该模块大大提高了网络的精度。随后，用提出的ASSA模块替换PointNet++中的普通SA模块，并将修改后的网络表示为ASSANet。在点云分类、语义分割、部分分割等方面的大量实验表明，ASSANet优于PointNet++等方法，实现了更高的准确率和更快的速度。特别是，在S3DIS Area 5上，ASSANet比PointNet++高出7.4 mIoU，而在单个NVIDIA 2080Ti GPU上保持了1.6倍的推断速度。我们缩放后的ASSANet变型达到66.8 mIoU，性能优于KPConv，同时速度超过KPConv 54倍。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。