DANet：用于3D点云的密度自适应卷积与交互注意力网络
计算机视觉与模式识别
2023-03-09 v1
摘要
局部特征与上下文依赖关系对3D点云分析至关重要。许多工作致力于设计更好的局部卷积核以利用上下文依赖。然而，当前点卷积对变化的点云密度缺乏鲁棒性。此外，上下文建模由计算代价高昂的非局部或自注意力模型主导。为解决这些问题，我们提出密度自适应卷积，称为DAConv。其关键思想是从由点密度与位置获得的几何连接中自适应地学习卷积权重。为以更少计算提取精确的上下文依赖，我们提出交互注意力模块（IAM），该模块将空间信息沿不同空间方向嵌入通道注意力。DAConv与IAM被集成于分层网络架构中，以实现点云分析的局部密度与上下文方向感知学习。实验表明，与现有方法相比DAConv对点密度显著更鲁棒，且在具挑战性的3D点云数据集上的大量对比显示，我们的网络在ModelNet40上取得93.6%的SOTA分类结果，在S3DIS上取得68.71% mIoU的有竞争力的语义分割结果，以及在ShapeNet上86.7% mIoU的部件分割结果。
引用
@article{arxiv.2303.04473,
title = {DANet: Density Adaptive Convolutional Network with Interactive Attention for 3D Point Clouds},
author = {Yong He and Hongshan Yu and Zhengeng Yang and Wei Sun and Mingtao Feng and Ajmal Mian},
journal= {arXiv preprint arXiv:2303.04473},
year = {2023}
}
备注
9