用于三维点云分析的全局分层注意力
计算机视觉与模式识别
2022-08-09 v1
摘要
我们提出一种用于三维点云分析的新注意力机制，称为全局分层注意力（Global Hierarchical Attention, GHA）。GHA 通过在多个层级上的一系列粗化与插值操作来近似规则的全局点积注意力。GHA 的优势有两方面。首先，其复杂度相对于点的数量呈线性，从而能够处理大型点云。其次，GHA 固有地具有关注空间邻近点的归纳偏置，同时保留所有点之间的全局连通性。结合前馈网络，GHA 可插入许多现有网络架构中。我们在多个基线网络上实验，表明添加 GHA 在不同任务和数据集上一致地提升性能。在语义分割任务中，GHA 在 ScanNet 上为 MinkowskiEngine 基线带来 +1.7% mIoU 的提升。在三维目标检测任务中，GHA 在 nuScenes 数据集上将 CenterPoint 基线提升 +0.5% mAP，并在 ScanNet 上将 3DETR 基线提升 +2.1% mAP25 和 +1.5% mAP50。
引用
@article{arxiv.2208.03791,
title = {Global Hierarchical Attention for 3D Point Cloud Analysis},
author = {Dan Jia and Alexander Hermans and Bastian Leibe},
journal= {arXiv preprint arXiv:2208.03791},
year = {2022}
}
备注
Accepted to the German Conference on Pattern Recognition (GCPR) 2022