高效扩张感受野：局部分割注意力与并行聚合提升大规模点云语义分割
计算机视觉与模式识别
2024-09-04 v1
摘要
在深度学习模型中扩大点云大规模语义分割的感受野，是一种有效捕获丰富上下文信息的技术，从而增强网络学习有意义特征的能力。然而，这往往导致计算复杂度增加和过拟合风险，挑战了学习范式的效率和效果。为此，我们提出局部分割注意力池化（Local Split Attention Pooling, LSAP）机制，通过一系列局部分割操作有效扩大感受野，从而促进获取更广阔的上下文知识。同时，它优化了注意力池化层的计算负载，以确保更简洁的处理流程。基于LSAP，我们引入并行聚合增强（Parallel Aggregation Enhancement, PAE）模块，使网络能够利用2D和3D邻域信息进行并行处理，从而进一步增强网络内部的上下文表征。在此基础上，我们提出一种新型框架，称为LSNet，用于大规模点云语义分割。广泛的评估表明，无缝集成PAE模块到现有框架中效果显著，平均交并比（mIoU）指标提升显著，最高可提升11%。此外，LSNet 在三个基准数据集（S3DIS、Toronto3D 和 SensatUrban）上超越了当前最先进的语义分割网络，展现出卓越性能。值得一提的是，我们的方法相较于采用相似感受野大小的其他方法，实现了约38.8%的显著加速，这凸显了其计算效率和在实际大规模场景中的实用性。
引用
@article{arxiv.2409.01662,
title = {Efficiently Expanding Receptive Fields: Local Split Attention and Parallel Aggregation for Enhanced Large-scale Point Cloud Semantic Segmentation},
author = {Haodong Wang and Chongyu Wang and Yinghui Quan and Di Wang},
journal= {arXiv preprint arXiv:2409.01662},
year = {2024}
}