PointNeXt：个人阅读笔记（WZS的博客）

## 标题PointNeXt：个人阅读笔记（WZS）

1. Abstract

我们发现，性能提高的很大一部分是由于改进了培训策略，即数据扩充和优化技术，以及增加了模型大小，而非架构创新。

贡献 ：

1.我们发现，性能提高的很大一部分是由于改进了培训策略，即数据扩充和优化技术，以及增加了模型大小，而非架构创新。

2.我们将倒残差瓶颈设计和可分离的MLP引入pointnet++，以实现高效的模型缩放，并提出了point net的下一个版本PointNeXt。PointNeXt可以灵活扩展，在3D分类和分割任务上都优于最先进的方法。

2.简介

在这项工作中，我们重新审视了经典且广泛使用的网络PointNet++，并发现其全部潜力尚待挖掘，主要是由于在PointNet++时代还没有出现两个因素：

（1）先进的训练策略

2）有效的模型缩放策略架构的更改。**

例如：

1.在训练过程中随机dropping color会意外地将PointNet++的测试性能提高5.9%的平均IoU（mIoU）

2.采用标签平滑[43]可以将ScanObjectNN[48]的总体精度（OA）提高1.3%。

3.我们在PointNet++中引入了残差连接、反向瓶颈设计和可分离的MLP。

3.方法论：从PointNet++到PointNeXt

我们的探索主要集中在两个方面：

（1）训练更新，以改进数据扩充和优化技术；

（2）架构更新，以探索感受野缩放和模型缩放。这两个方面对模型的性能都有重要影响，但之前的研究对其探索不足。

3.1.1数据扩充数据

扩充是提高神经网络性能的最重要策略之一:

我们以PointNet++为基线开始研究，并使用原始数据扩充和优化技术进行训练。我们删除每个数据扩充以检查它是否必要。我们添加了有用的增