#今日论文推荐# 重振PointNet++雄风,PointNeXt：通过改进的模型训练和缩放策略重新审视PointNet++

#今日论文推荐# 重振PointNet++雄风,PointNeXt：通过改进的模型训练和缩放策略重新审视PointNet++

本文通过对模型训练和缩放策略的系统研究重新审视了经典的PointNet++，并提供了两个主要贡献，进而提出PointNeXt，表现SOTA！性能优于PointMLP、Point Transformer等网络，代码已开源（5天 90+ star）!

PointNet++ 是用于点云理解的最有影响力的神经架构之一。尽管 PointNet++ 的准确性已被 PointMLP 和 Point Transformer 等最近的网络在很大程度上超越，但我们发现很大一部分性能提升是由于改进了训练策略，即数据增强和优化技术，以及增加了模型大小而不是架构创新。因此，PointNet++ 的全部潜力还有待探索。
在这项工作中，我们通过对模型训练和缩放策略的系统研究重新审视了经典的 PointNet++，并提供了两个主要贡献。
首先，我们提出了一组改进的训练策略，显著提高了 PointNet++ 的性能。例如，我们表明，在不改变架构的情况下，PointNet++ 在 ScanObjectNN 对象分类上的整体准确率（OA）可以从 77.9% 提高到 86.1%，甚至优于最先进的 PointMLP。
其次，我们将倒置残差瓶颈设计和可分离 MLP 引入 PointNet++，以实现高效且有效的模型缩放，并提出 PointNeXt，即下一版本的 PointNets。
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。

论文题目：PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies
详细解读：https://www.aminer.cn/research_report/62afdfb27cb68b460fd6c4fa?download=falsehttps://www.aminer.cn/research_report/62afdfb27cb68b460fd6c4fa?download=false
AMiner链接：https://www.aminer.cn/?f=cs