DAPnet：一种用于点云语义标注的双重自注意力卷积网络
计算机视觉与模式识别
2021-09-16 v2
摘要
机载激光扫描（ALS）点云具有复杂的结构，其三维语义标注一直是一项具有挑战性的任务。它存在三个问题：（1）难以对不同类别物体边界附近的点云进行分类；（2）同一类别内形状的多样性；以及（3）类别之间的尺度差异。在本研究中，我们提出了一种新颖的双重自注意力卷积网络，称为DAPnet。该双重自注意力包括点注意力模块（PAM）和组注意力模块（GAM）。针对问题（1），PAM能够根据邻近区域点云的相关性有效分配不同的权重。同时，针对问题（2），GAM增强了组之间的相关性，即同一类别内分组特征的相关性。为解决尺度差异问题（3），我们采用多尺度半径构建分组，并将提取的层次化特征与相应上采样过程的输出进行拼接。在ISPRS 3D语义标注竞赛数据集上，DAPnet以90.7%的总体准确率，超过基准线85.2%。通过消融对比实验，我们发现PAM比GAM更有效地改进了模型。双重自注意力模块的引入使类别平均准确率平均提高了7%。此外，DAPnet达到模型收敛所需的训练时间与不含注意力模块的网络相似。DAPnet能够根据点云与其邻域之间的相关性为特征分配不同的权重，从而有效提升了分类性能。源代码可在以下地址获取：https://github.com/RayleighChen/point-attention。
引用
@article{arxiv.2004.08596,
title = {DAPnet: A Double Self-attention Convolutional Network for Point Cloud Semantic Labeling},
author = {Li Chen and Zewei Xu and Yongjian Fu and Haozhe Huang and Shaowen Wang and Haifeng Li},
journal= {arXiv preprint arXiv:2004.08596},
year = {2021}
}
备注
12 pages, 7 figures