PointConvFormer：基于点的卷积的回归
计算机视觉与模式识别
2023-05-12 v3 机器学习
摘要
我们提出 PointConvFormer，一种用于基于点云的深度网络架构的新颖构建模块。受泛化理论启发，PointConvFormer 结合了点卷积（其滤波器权重仅基于相对位置）与利用基于特征的注意力的 Transformer 的思想。在 PointConvFormer 中，由邻域内点间特征差异计算出的注意力被用于修正各点的卷积权重。因此，我们保留了点卷积的不变性，而注意力有助于为卷积选择邻域中的相关点。PointConvFormer 适用于需要在点级别提供细节的多种任务，如分割与场景流估计任务。我们在包括 ScanNet、SemanticKitti、FlyingThings3D 和 KITTI 在内的多个数据集上就上述任务进行了实验。结果表明，相较经典卷积、常规 Transformer 以及体素化稀疏卷积方法，PointConvFormer 提供了更优的精度-速度权衡。可视化显示 PointConvFormer 在平坦区域表现与卷积类似，而在物体边界处邻域选择效应更强，表明其兼得两者之长。
引用
@article{arxiv.2208.02879,
title = {PointConvFormer: Revenge of the Point-based Convolution},
author = {Wenxuan Wu and Li Fuxin and Qi Shan},
journal= {arXiv preprint arXiv:2208.02879},
year = {2023}
}
备注
Accepted at CVPR 2023