面向三维物体点云互补理解的几何解耦表征学习
计算机视觉与模式识别
2021-02-09 v3
摘要
在二维图像处理中，一些尝试将图像分解为高频和低频分量，分别描述边缘与平滑部分。类似地，三维物体的轮廓与平坦区域（如椅子的边界与座面区域）描述了不同却又互补的几何特征。然而，以往直接平等对待所有点或局部块来理解点云的深度网络缺失了此类探究。为解决该问题，我们提出几何解耦注意力网络（GDANet）。GDANet引入几何解耦模块，将点云动态解耦为三维物体的轮廓与平坦部分，分别由急剧变化分量与平缓变化分量表示。随后GDANet利用急剧-平缓互补注意力模块，将来自急剧与平缓变化分量的特征视为两种整体表征，在将其分别与原始点云特征融合时给予不同注意力。由此，我们的方法从两个不同解耦分量中捕获并精炼整体且互补的三维几何语义，以补充局部信息。在三维物体分类与分割基准上的大量实验表明，GDANet以更少参数取得了当前最优（SOTA）性能。代码发布于https://github.com/mutianxu/GDANet。
引用
@article{arxiv.2012.10921,
title = {Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud},
author = {Mutian Xu and Junhao Zhang and Zhipeng Zhou and Mingye Xu and Xiaojuan Qi and Yu Qiao},
journal= {arXiv preprint arXiv:2012.10921},
year = {2021}
}
备注
Accepted by AAAI2021