用于3D与ALS屋顶点云形状分类与检索的Point Transformer
计算机视觉与模式识别
2021-02-23 v2
摘要
深度学习方法取得的成功使得三维点云处理任务在遥感应用中获得显著突破。现有方法利用卷积，但存在一定局限，因为它们假设输入分布均匀且无法学习长程依赖。近期工作表明，在这些方法中加入注意力可提升性能。这引出一个问题：注意力层能否完全替代卷积？本文提出一个全注意力模型——Point Transformer，用于推导丰富的点云表示。该模型的形状分类与检索性能在一个大规模城市场景数据集RoofN3D和标准基准数据集ModelNet40上进行了评估。我们进行了大量实验以测试模型对未见点损坏的鲁棒性，从而分析其在真实数据集上的有效性。所提方法在RoofN3D数据集上优于其他SOTA模型，在ModelNet40基准上给出有竞争力的结果，并展现出对各种未见点损坏的高鲁棒性。此外，与其他方法相比，该模型具有极高的内存与空间效率。
引用
@article{arxiv.2011.03921,
title = {Point Transformer for Shape Classification and Retrieval of 3D and ALS Roof PointClouds},
author = {Dimple A Shajahan and Mukund Varma T and Ramanathan Muthuganapathy},
journal= {arXiv preprint arXiv:2011.03921},
year = {2021}
}
备注
Submitted on June, 16 2020