GSTran：面向点云分割的几何与语义联合一致性网络
计算机视觉与模式识别
2024-08-23 v1
摘要
在点云分割任务中，学习有意义的局部和全局信息仍然是一个挑战。在利用局部信息时，先前的研究不加区分地聚合来自不同类别的邻域信息以更新查询点，这可能会损害查询点的独特特征。同时，在利用全局信息时，对长距离上下文依赖关系的不准确建模也会影响模型性能。为了解决这些问题，我们提出了GSTran，一种专为分割任务设计的新型Transformer网络。该网络主要由两个核心组件构成：局部几何Transformer和全局语义Transformer。在局部几何Transformer模块中，我们显式计算局部区域内的几何差异。这使得能够增强与几何相似邻域点的亲和力，同时抑制与其他邻域点的关联。在全局语义Transformer模块中，我们设计了一种多头投票策略。该策略评估整个空间范围内的语义相似性，有助于精确捕获上下文依赖关系。在ShapeNetPart和S3DIS基准上的实验证明了所提方法的有效性，显示了其优于其他算法的性能。代码可在https://github.com/LAB123-tech/GSTran获取。
引用
@article{arxiv.2408.11558,
title = {GSTran: Joint Geometric and Semantic Coherence for Point Cloud Segmentation},
author = {Abiao Li and Chenlei Lv and Guofeng Mei and Yifan Zuo and Jian Zhang and Yuming Fang},
journal= {arXiv preprint arXiv:2408.11558},
year = {2024}
}
备注
ICPR 2024