计算机视觉最新进展概览2021年10月18日到2021年10月23日

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，我们将重新访问并更深入地研究PointNet++，这是最有影响力但尚未开发的网络之一，并开发更快、更准确的模型变体。 我们首先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:(1)学习通道相关和(2)学习空间相关。 可分离SA模块比普通版本快得多，但它实现了相当的性能。 然后我们将一个新的各向异性约简函数引入到我们的可分离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，我们用提出的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54倍。