D-Net：基于自注意力点搜索与可学习特征融合的区分性点云学习
计算机视觉与模式识别
2023-05-11 v1
摘要
在各类应用中，学习与选取点云上的重要点对于理解点云至关重要。多数早期方法通过分析每个独立形状的内在几何属性来选取三维形状上的重要点，这无法捕捉区分一个形状与其他类别物体的点的重要性，即点的区分性。为解决该问题，我们提出 D-Net（区分性网络），基于自注意力点搜索与可学习特征融合来学习区分性点云。具体而言，在自注意力点搜索中，我们首先学习每个点的区分性分数以揭示点云的区分性分布。在对学习到的区分性分数排序后，我们将点云分组为高区分性点集与低区分性点集，以丰富细粒度点云结构。为生成每个区分性点集的紧凑特征表示，提出堆叠自门控卷积来提取区分性特征。最后，我们进一步引入可学习特征融合机制，以通道聚合方式将多个区分性特征聚为全局点云表示。结果还表明，点云学习到的区分性分布与同类物体高度一致，且不同于其他类别物体。在包括 ModelNet 与 ShapeNet part 数据集的公开数据集上的大量实验，证明了学习区分性点云的能力，有助于在一些形状理解应用中取得最先进性能。
引用
@article{arxiv.2305.05842,
title = {D-Net: Learning for Distinctive Point Clouds by Self-Attentive Point Searching and Learnable Feature Fusion},
author = {Xinhai Liu and Zhizhong Han and Sanghuk Lee and Yan-Pei Cao and Yu-Shen Liu},
journal= {arXiv preprint arXiv:2305.05842},
year = {2023}
}
备注
To be published in CAGD 2023