面向分类与分割的全局注意力引导的双域点云特征学习
计算机视觉与模式识别
2024-07-15 v1
摘要
以往研究表明，基于点的神经模型在点云分析任务中效果良好。然而，仍存在关键问题：为原始点坐标生成高效的输入嵌入；邻域聚合效率有限，这是网络干 stem 中的关键组件。本文提出一种全局注意力引导的双域特征学习网络（GAD），以解决上述问题。我们首次设计情境位置增强变换器（CPT）模块，配备改进的全局注意力机制，以生成作为后续聚合指导的全局感知输入嵌入。随后级联双域 K 最近邻特征融合（DKFF），通过新颖的双域特征学习进行有效特征聚合，既尊重局部几何关系，又关注远距离语义连接。在多个点云分析任务（如分类、零件分割和场景语义分割）上的大量实验表明，所提方法表现优异，证明了所设计模块的有效性。
引用
@article{arxiv.2407.08994,
title = {Global Attention-Guided Dual-Domain Point Cloud Feature Learning for Classification and Segmentation},
author = {Zihao Li and Pan Gao and Kang You and Chuan Yan and Manoranjan Paul},
journal= {arXiv preprint arXiv:2407.08994},
year = {2024}
}