KPConvX: Modernizing Kernel Point Convolution with Kernel Attention

在深度点云理解领域，KPConv是一种独特的架构，它使用核点来定位卷积权重在空间中的位置，而不是依赖于多层感知机（MLP）编码。虽然它最初取得了成功，但现在已被最新的MLP网络超越，这些网络采用了更新的设计和训练策略。在核点原则的基础上，我们提出了两种新颖的设计：KPConvD（深度KPConv），一种轻量级设计，可以使用更深的架构；KPConvX，一种创新的设计，它使用核注意力值来缩放KPConvD的深度卷积权重。使用现代架构和训练策略的KPConvX，我们能够在ScanObjectNN、Scannetv2和S3DIS数据集上胜过当前最先进的方法。我们通过消融研究验证了我们的设计选择，并发布了我们的代码和模型。

论文旨在提出一种新的深度点云理解网络，以解决当前深度点云理解网络的局限性，并在三个数据集上验证其有效性。

论文提出了两种新的设计方案：KPConvD和KPConvX，基于核点原则。KPConvD是一种轻量级设计，可以使用更深的体系结构，而KPConvX则通过核关注值来缩放KPConvD的深度卷积权重。这两种设计方案使得新的深度点云理解网络在效果上优于当前最先进的方法。

论文使用ScanObjectNN、Scannetv2和S3DIS三个数据集进行实验，并在这些数据集上实现了新的最佳结果。论文通过消融实验验证了设计选择的有效性，并公开了代码和模型。

最近的相关研究包括PointNet、PointNet++、DGCNN等。