基于逐点注意力的空洞卷积神经网络
计算机视觉与模式识别
2019-12-30 v1
摘要
随着深度卷积神经网络的快速发展，在几乎所有机器人应用中，3D 点云的可获得性提升了 3D 语义分割方法的精度。将这些不规则、非结构化且无序的 3D 点从多视角渲染为 2D 图像会带来一些问题，如 3D 到 2D 投影导致的信息丢失、离散化伪影以及高计算成本。为高效处理大量点并融入每个点的更多上下文，本文提出一种基于逐点注意力的空洞卷积神经网络架构。它通过空间通道注意力模块，在所有特征图中聚焦于显著的 3D 特征点，同时考虑出色的上下文信息。所提模型在两个最重要的 3D 点云数据集上针对 3D 语义分割任务进行了评估。与 SOTA 模型相比，它以少得多的参数量取得了合理的精度表现。
引用
@article{arxiv.1912.12082,
title = {Pointwise Attention-Based Atrous Convolutional Neural Networks},
author = {Mobina Mahdavi and Fahimeh Fooladgar and Shohreh Kasaei},
journal= {arXiv preprint arXiv:1912.12082},
year = {2019}
}
备注
7 pages, 6 figures. Author one and author two contributed equally