【点云识别】Grid-GCN for Fast and Scalable Point Cloud Learning (CVPR 2020)

Grid-GCN for Fast and Scalable Point Cloud Learning

本文介绍一篇cvpr2020里面关于点云识别的文章。
论文
代码

1. 问题

自PointNet++ 和DGCNN问世以后，基本所有的点云处理模型都要使用采样或近邻查询。

• Sampling
• Neighbor points querying

但是，上述两种操作的时间复杂度太高，这篇文章就是解决这个问题。和RandLA-Net有异曲同工之妙。

2. 思想

提出了一种基于 Voxel 的快速采样方法，并依赖 Voxel 做近似而快速的 Points Querying

其中基础模块GridConv 包含了数据的构建Coverage-aware Grid Query(CAGQ)，以及图卷积Grid Context Aggregation(GCA)。

数据构建Coverage-aware Grid Query(CAGQ)

CAGQ由 Sampling和Neighbor points querying，都是十分费时的操作，如何快速的完成这两项操作也是本文的主要贡献点。

定义voxel 的大小 $(V_{x},V_{y}, V_{z})$，然后将所有点云 $(x,y, z)$映射到voxel当中，每个voxel中的点数固定为 $n_{v}$， 进而可以得到每个点的voxel索引 $Vid(u,v,w)=floor(x/V_{x},y/V_{y},z/ V_{z})$

假设 $O_{v}$为非空 voxel 集合，需要采样 M 个 voxel $O_{c}$⊆ $O_{v}$。对于每个 voxel $v_{i}$。定义其周围的 voxel 集合为 $π(v_{i})$，所有该集合中的点叫做 context points。

所以问题转换为：
Sampling：采样 voxel 集合 $O_{c}$⊆ $O_{v}$；
Points Querying：从 Context Points 中选取 K 个点；

图卷积Grid Context Aggregation(GCA）

其实就是各种attention，不是很强的创新。

3. 算法

3.1 Sampling

本文提出了两种基于 voxel 的采样方法

• Random Voxel Sampling (RVS)
  每个被占据的voxel等概率被抽中，这种随机采样的方式会使点云分布更均匀。
• Coverage-Aware Sampling (CAS)
  CAS的目的是选取那些可以包含更多被占据空间的center voxels $O_{c}$

CAS使用了一个贪心算法来求解，先随机采样 M 个 voxel，即(RVS)

3.2 Points Querying

本文在 voxel 基础上来快速寻找邻近点，提供了两种方法：

• Cube Query
  这是一种近似法，直接在 Context Points 中随机采样 K 个点作为最近邻点。

• K-Nearest Neighbors
  在 Context Points 中寻找 K-NN，相比在全点云中找 K-NN，这种方法搜索速度会更快。

时间复杂度的对比

4 实验结果

分类精度还不错，特意强调他们没有使用voting的方式！！

大量实验展示自己的速度有多快。期待开源代码！

总结

文章做的很扎实，解决的问题也是之前我注意到的。
值得学习的地方：
1 对采样问题的归纳和总结，给出各个方式。就像DGCNN将PointNet归纳成自己的特例。
2 解决问题的思路和方法很简洁高效
3 充分的实验证明，速度快，精度尚可。