计算机科学>计算机视觉和模式识别
标题: 大尺度点云实时应用的分层自适应体素引导采样
摘要: 虽然基于点的神经体系结构已经证明了其有效性,但耗时的采样器目前阻止了它们在场景级点云上执行实时推理。 现有的方法试图通过使用随机抽样策略而不是常用的最远点抽样(FPS)来克服这个问题,但代价是性能较低。 因此,有效性/效率的权衡仍有待探索。 在本文中,我们揭示了高质量采样的关键是确保子集中点之间的均匀间距,这可以通过网格自然获得。基于这一认识,我们提出了一种用于实时应用的线性复杂度和高度并行化的分层自适应体素引导点采样器。 大规模点云检测和分割任务的大量实验表明,我们的方法通过最强大的FPS获得了具有竞争力的性能,速度快了100多倍。 这种效率上的突破解决了处理场景级点云时采样步骤的瓶颈。 此外,我们的采样器可以很容易地集成到现有模型中,并在运行时以最小的工作量减少了20$sim$80%。 代码将在 此https URL