面向点云分割的密度感知全局-局部注意力网络

3D 点云分割在自动驾驶、增强现实、虚拟现实和数字孪生等领域具有广泛应用前景。实际场景中收集的点云数据常包含小目标和样本量不足的类别，这些都难以被现有网络处理。为此，我们提出一种融合基于密度感知的局部注意力与全局注意力的点云分割网络。核心思想是增加每个点的有效感受野，同时减少在稠密区域对小目标信息的损失。具体做法是为不同密度的局部区域划分不同大小的窗口，在窗口内计算注意力。此外，我们将每个局部区域视为整个输入的独立标记，用于全局注意力计算。还提出一种类别响应损失，用于平衡不同类别和大小目标的处理。具体做法是在网络中部设置一个额外的全连接层，用于预测物体类别的存在情况，并构建二元交叉熵损失以响应场景中类别的存在。实验表明，在多个公开数据集上的语义分割和部分分割任务中，我们的方法取得竞争成绩。针对包含大量小目标的复杂真实场景点云数据，实验也验证了本方法对小目标及小样本类别具有强大的分割能力。