PointNet++改进策略 ：模块改进 | OA-CNNs | ， 全自适应3D稀疏卷积神经网络（OA-CNNs），超越基于Transformer的模型，同时显著降低计算和内存成本

• 论文题目：OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation
• 发布期刊：CVPR 2024
• 作者地址：1香港中文大学 2香港大学 3香港中文大学，深圳 4HIT，深圳
• 代码地址：https://github.com/Pointcept

介绍

这篇论文主要研究了3D语义分割领域中的一种新型稀疏卷积神经网络（CNN），称为全自适应3D稀疏CNN（Omni-Adaptive 3D Sparse CNNs，简称OA-CNNs）。研究的重点是提升传统稀疏CNN的性能，使其在精确度和计算效率上都能与基于Transformer的网络模型相媲美或超越。

研究中指出，现有的稀疏CNN在3D语义分割任务上通常不如基于Transformer的模型，原因在于其缺乏足够的自适应性。为了解决这一问题，论文提出了两个关键的技术创新：

1. 空间自适应感受野（Spatially Adaptiv