利用多分辨率特征与可学习池化在点云上进行高级特征学习
计算机视觉与模式识别
2022-05-23 v1
摘要
现有点云特征学习网络常结合采样、邻域分组、邻域特征学习与特征聚合的序列，以学习表示点云全局上下文的高语义点特征。遗憾的是，由于采样与最大池化导致粒度信息及非最大点特征的信息累积损失，现有网络的高语义点特征可能不足以表示点云的局部上下文，进而阻碍网络区分精细形状。为应对此问题，我们提出一种新颖的点云特征学习网络 PointStack，采用多分辨率特征学习与可学习池化（LP）。多分辨率特征学习通过聚合多个层中不同分辨率的点特征实现，使最终点特征同时包含高语义与高分辨率信息。另一方面，LP 作为一种广义池化函数，通过带可学习查询的注意力机制计算多分辨率点特征的加权和，以从所有可用点特征中提取全部可能信息。因此，PointStack 能以最小的粒度信息与非最大点特征损失提取高语义点特征。最终聚合的点特征能有效表示点云的全局与局部上下文。此外，网络头部能很好理解点云的全局结构与局部形状细节，使 PointStack 推进了点云特征学习的 SOTA。代码见 https://github.com/kaist-avelab/PointStack。
引用
@article{arxiv.2205.09962,
title = {Advanced Feature Learning on Point Clouds using Multi-resolution Features and Learnable Pooling},
author = {Kevin Tirta Wijaya and Dong-Hee Paek and Seung-Hyun Kong},
journal= {arXiv preprint arXiv:2205.09962},
year = {2022}
}