面向三维点云语义分割的点注意力网络
计算机视觉与模式识别
2019-09-30 v1
摘要
卷积神经网络（CNNs）在由规则排列的网格（如图像）表示的数据上表现极为出色。然而，由于稀疏三维点云具有不规则和无序的特性，直接在其上运用经典卷积核或参数共享机制是低效的。我们提出了一种点注意力网络，用于学习丰富的局部形状特征及其上下文关联，以实现三维点云语义分割。由于邻域点的几何分布对于点排序是不变的，我们提出局部注意力边卷积（LAE Conv），基于多方向上搜索的邻域点构建局部图。我们为每条边分配注意力系数，然后将点特征聚合为其邻居的加权和。学习到的 LAE-Conv 层特征随后被送入逐点空间注意力模块，以生成所有点（无论距离远近）的相互依赖矩阵，从而捕获有助于更精确语义信息的长程空间上下文特征。所提出的点注意力网络由编码器和解码器组成，配合 LAE-Conv 层与逐点空间注意力模块，构成一个端到端可训练的网络，用于预测三维点云分割的稠密标签。在具有挑战性的三维点云基准上的实验表明，我们的算法性能与现有最先进方法相当或优于它们。
引用
@article{arxiv.1909.12663,
title = {Point Attention Network for Semantic Segmentation of 3D Point Clouds},
author = {Mingtao Feng and Liang Zhang and Xuefei Lin and Syed Zulqarnain Gilani and Ajmal Mian},
journal= {arXiv preprint arXiv:1909.12663},
year = {2019}
}
备注
Submitted to a journal