DLA-Net：学习双重局部注意力特征用于大规模建筑立面点云语义分割
计算机视觉与模式识别
2021-06-02 v1
摘要
建筑立面语义分割在城市建筑重建与损伤评估等多种应用中十分重要。由于缺乏细粒度建筑立面相关3D点云数据集，我们构建了首个用于语义分割的大规模建筑立面点云基准数据集。现有语义分割方法无法充分挖掘点云的局部邻域信息。针对该问题，我们提出一种可学习的注意力模块，学习双重局部注意力特征，本文称之为DLA。所提DLA模块由两个块组成，包括自注意力块与注意力池化块，二者均嵌入了增强位置编码块。DLA模块可轻松嵌入多种网络架构用于点云分割，自然形成一种新的具有编码器-解码器架构的3D语义分割网络，本工作中称为DLA-Net。在我们构建的建筑立面数据集上的大量实验表明，所提DLA-Net取得了优于最先进语义分割方法的性能。
引用
@article{arxiv.2106.00376,
title = {DLA-Net: Learning Dual Local Attention Features for Semantic Segmentation of Large-Scale Building Facade Point Clouds},
author = {Yanfei Su and Weiquan Liu and Zhimin Yuan and Ming Cheng and Zhihong Zhang and Xuelun Shen and Cheng Wang},
journal= {arXiv preprint arXiv:2106.00376},
year = {2021}
}