ACNe：用于鲁棒置换等变学习的注意力上下文归一化

计算机视觉中的许多问题需要处理以点的形式出现的稀疏、无序数据（点云）。置换等变网络已成为一种流行的解决方案——它们以简单感知机处理单个数据点，并通过全局池化提取上下文信息。这可通过特征图的简单归一化实现，这是一种不受顺序影响的全局操作。本文中，我们提出注意力上下文归一化（ACN），一种构建对离群点鲁棒的置换等变网络的简单而有效的技术。具体而言，我们展示如何以网络内部估计的权重对特征图进行归一化，并将离群点排除在该归一化之外。我们利用该机制 leverage 两类注意力：局部与全局——通过结合它们，我们的方法能够在高维空间中找到解决给定任务的关键数据点。我们通过大量实验证明，我们称之为注意力上下文网络（ACNe）的方法，在噪声与离群点下的相机位姿估计、鲁棒拟合和点云分类方面，相比最先进水平取得了显著的性能飞跃。源代码：https://github.com/vcg-uvic/acne。