GAM：用于点云分析优化的梯度注意力模块
计算机视觉与模式识别
2023-03-22 v2
摘要
在点云分析任务中，现有的局部特征聚合描述符（LFAD）无法充分利用中心点邻域内的信息。以往的方法仅依赖欧几里得距离来约束局部聚合过程，这容易受到异常点的影响，且无法与点云的原始几何形状充分拟合。我们认为细粒度几何信息（FGGI）对局部特征的聚合具有重要意义。因此，我们提出了一个基于梯度的局部注意力模块，称为梯度注意力模块（GAM），以解决上述问题。我们提出的 GAM 简化了提取邻域内梯度信息的过程，并使用天顶角矩阵和方位角矩阵作为显式表示，这使得该模块速度提升了 35 倍。在五个基准数据集上进行了全面实验，以证明所提出的 GAM 在 3D 点云分析中的有效性和泛化能力。特别是在 S3DIS 数据集上，GAM 在当前基于点的模型中取得了最佳性能，其 mIoU/OA/mAcc 分别为 74.4%/90.6%/83.2%。
引用
@article{arxiv.2303.10543,
title = {GAM : Gradient Attention Module of Optimization for Point Clouds Analysis},
author = {Haotian Hu and Fanyi Wang and Jingwen Su and Hongtao Zhou and Yaonong Wang and Laifeng Hu and Yanhao Zhang and Zhiwang Zhang},
journal= {arXiv preprint arXiv:2303.10543},
year = {2023}
}
备注
In AAAI, 2023