不同于图像、文本数据，点云数据通过其3D几何关系能够表达更丰富的场景信息。然然，由于点云数据结构的不规则性和无序性，点云的分析仍具有较大的难度。为了捕获点云数据的3D几何信息，已有研究主要依赖于卷积、图、注意力机制等手段，但这些方法必然会在推理过程中造成一定的计算消耗，且其性能逐渐区域饱和。因此，本文作者从另一个新的视角对这一任务进行了解读，发现局部几何信息可能不是点云分析的关键。因此，作者提出了一种新的残差MLP模型。该模型通过一个轻量级的几何仿射模块在多个数据集上取得了一流的性能，在ScanObjectNN数据集上，该模型在准确率指标上超过了现有最佳方法的3.3%。与最新的CurveNet相比，PointMLP的训练速度快了2倍，测试速度快了7倍，而且在ModelNet40基准测试中更加准确。

 

论文链接：https://arxiv.org/pdf/2202.07123v1.pdf

代码链接：https://github.com/ma-xu/pointmlp-pytorch

 

动机

       近年来，点云分析因点云数据对空间几何信息的表达能力达到了众多研究和应用。然而，由于点云数据是由无规则、无序的点组成，这不仅使得图像处理等2D数据处理方法无法直接应用，也使得点云分析成为了一个关键难点问题。此外，点云数据的稀疏性和随机噪声更是进一步加剧了上述难点。为了解决这些问题，已有方法纷纷引入卷积、图、注意力机制等手段，尽管这些手段能够较好地提升性能，但如图1所示，同时也会带来较大的计算负担。不同于已有研究均以点云数据的局部几何信息入手，本文作者提出局部几何信息可能不是点云分析的关键。基于这一动机，作者提出了轻量级的空间几何仿射模块，并在此基础上构建了PointMLP模型，该模型不仅取得了优异的性能，在运算效率上也超越了大部分方法。

 

技术路线

       如上图所示，给定一个输入点云，PointMLP使用残差点MLP块逐步提取局部特征。在每个阶段中，PointMLP首先使用几何仿射模块对局部点进行变换，然后在聚合前后提取局部点分别操作，并通过重复多个阶段逐步扩大接收域和模型完成点云几何信息。

        其中，几何仿射模块的目的是将局部邻接点云fi,j进行下式的运算，α、β表示可学习参数，σ=1e-5：

实验结果

        在实验阶段，PointMLP首先在ModelNet40、ScanObjectNN两个分类数据集上与已有方法进行了对比验证。从表2与表3中可以发现，归因于几何仿射模块，PointMLP在点云分析任务的精确度上得到了较大的提升，而由于作者对MLP结构的应用，PointMLP在模型参数、训练速度、测试速度上也具有较大的优势。

 

    除上述分类实验之外，作者进一步在ShapeNetPart这一点云分割数据集上进行了实验。如下图所示，上一行表示分割的标准结果，下一行表示PointMLP的分割结果，它们具有非常相似的分割精确度。

总结

       在本文中，作者提出了一个简单而强大的PointMLP架构用于点云分析。PointMLP的动机在于：复杂的局部几何提取器可能并不是提升性能的关键。因此作者首先用简单的残差MLP模块构建模型，还引入了一个轻量级的几何仿射模块来提高性能。实验结果表明，PointMLP在不同数据集上均实现了较已有方法更有效、更高效的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除