PointGST：点云分析精度卷到99%了，还只用了2M训练参数

文章预览

关注公众号，发现CV技术之美 近年来，点云分析技术在自动驾驶、虚拟现实、三维重建等领域得到了广泛应用。尽管点云预训练模型展现出了优越的性能，但随着模型参数量的急剧增加，对其进行微调的内存和存储开销也同步增加。 为了缓解这一问题，本文提出了一种全新的点云参数高效微调算法——PointGST，在极大地降低微调训练开销的同时，还展现出了优异的性能。 仅凭 2M 可训练参数（仅为此前 SOTA 方法的 0.6%），PointGST 在多个点云分析数据集上均取得了 SOTA 结果，并首次在 ScanObjectNN OBJ_BG 数据集上实现了 超过 99% 的准确率 ，几乎宣告了该数据集的性能达到了饱和。 图1：近年来点云分析模型的训练参数大小和性能的发展趋势 论文标题：Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning 论文地址：https://arxiv.org/abs/2410.08114 代码地址：h ………………………………