DRINet是ICCV2021收录的点云分割工作，采用迭代双表征学习，包括几何感知特征提取、稀疏点-体素特征提取、稀疏体素-点特征提取和注意力聚集策略，解决3D卷积耗时和内存访问成本高的问题。实验证明，DRINet在性能和效率上优于同类方法。
AUTHOR-元戎感知组
时隔半年码字，来介绍一下今年被ICCV2021收录的一篇点云分割的工作DRINet: A Dual-Representation Iterative Learning Network for Point Cloud Segmentation 这里同时要感谢一些我的co-author帮助。
Introduction and Motivation
其实idea的成形在第一篇3D目标检测之后就已经存在了，整个文章的思路跟当时的PVCNN挺相似，核心就是要利用不同的表征方式来弥补点云单一表征能力的不足。但是当时看到的PVCNN不足的点在于两个方面，1). 3D卷积太耗时，2). Pointwise的branch并没有太多的 3). 特征的传播过程中，devoxelization的时候的三线性插值带来了太多Memory access cost，这样导致了，虽然PVCNN理论计算量很低，但是实际在inference过程中很多内存寻址的代价并没有被考虑进去，这导致了PVCNN在室外场景下面其实并没有太多的优势，尤其是当点云的规模到10W这个量级。
后来SPVNas通过稀疏卷积加速解决了第一个问题，同时利用nas的方式
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
