利用一元-成对注意力增强三维点云处理的局部特征学习
计算机视觉与模式识别
2022-03-18 v2
摘要
我们提出了一种简单而有效的注意力机制，称为一元-成对注意力（UPA），用于建模三维点云之间的关系。我们的思路源于如下分析：标准自注意力（SA）在全球范围上操作，往往为不同查询位置产生几乎相同的注意力图，这揭示了联合学习查询无关与查询相关信息的困难。因此，我们重新表述了 SA，并提出查询无关（一元）与查询相关（成对）分量以促进这两类项的学习。与 SA 不同，UPA 通过局部操作确保查询依赖性。大量实验表明，UPA 在包括形状分类、部件分割和场景分割在内的多种点云理解任务上持续优于 SA。此外，仅需将流行的 PointNet++ 方法配备 UPA，即可优于或与最先进的基于注意力的方法持平。另外，当 UPA 作为组合模块集成到标准与现代网络中时，可系统性地提升二者的性能。
引用
@article{arxiv.2203.00172,
title = {Enhancing Local Feature Learning for 3D Point Cloud Processing using Unary-Pairwise Attention},
author = {Haoyi Xiu and Xin Liu and Weimin Wang and Kyoung-Sook Kim and Takayuki Shinohara and Qiong Chang and Masashi Matsuoka},
journal= {arXiv preprint arXiv:2203.00172},
year = {2022}
}
备注
BMVC 2021