An Efficient Neural Network Architecture and Training Protocol for 3D Point Cloud Classification
Notice bibliographique
Résumé
The point cloud is a set of data points in a 3D coordinate system with an irregular data format. As a result, they are needed to be transformed into a collection of images before being fed into models. This unnecessarily increases the volume of the data and increases complexities. The existing literature on point cloud uses a fixed number of points sampled from the whole point cloud as the input. However, with large point cloud data, it is important to consider more points as input to have a better understanding of the scene. The computational expense increases if the input number of points increases for existing networks. Our research contributes to the existing point cloud classification literature in two directions. First, we develop a training protocol for improved point cloud training accuracy on top of the existing PointNet \\cite{qi2017pointnet} architecture over the ModelNet10 dataset. A few variations of encoder models have been proposed in this regard. Also, an extensive hyperparameter study and ablation study are done. These experiments achieve a 6.10\\% improvement over the baseline model. After that, we propose DualNet, a novel 3D point cloud network that resolves the trade-off between the number of input points and the computational expense of 3D data. The DualNet consists of two branches: DensetNet and SparseNet. The SparseNet is a comparatively large network in terms of number of parameters, that samples a small number of points from the whole point cloud. Whereas the DenseNet is a lightweight network that takes a large number of points as input. SparseNet is composed of more number of channels than DenseNet making it more computationally expensive than DenseNet. While the accuracy of the model shows good improvement when the number of points increases, the overall computational cost of DenseNet does not increase much in such settings. DualNet shows 0.81\\% and 0.45\\% increase in the SOTA results on ModelNet40 and ScanObjectNN respectively. In respect of computational complexity, our model takes about 40\\% less time compared to SOTA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».