1

本研究探索 PointNets 的扩展规律，分析改进的训练与扩展策略如何影响三维点云理解。

3D-CoMPaT 是用于研究物体部件材质组合的大规模三维视觉数据集。它支持基于物体几何、部件与材质外观的组合式识别，推动超越类别识别的三维物体理解。

PointNet++ 是点云理解领域极具影响力的神经网络架构。虽然近期网络的精度已超越它，我们发现许多性能提升源于更好的训练策略、数据增强、优化方法和更大的模型规模，而不仅仅是架构创新。我们系统研究 PointNet++ 的训练与扩展策略：首先，在不改变架构的情况下，将 ScanObjectNN 上的整体准确率从 77.9% 提升至 86.1%；其次，引入倒残差瓶颈设计和可分离 MLP，实现高效扩展，得到 PointNeXt。PointNeXt 可灵活扩展，在三维分类与分割任务上取得优异表现。

本研究利用原型随机游走探索半监督小样本学习。