两个头胜过一个：用于点云分类与分割的几何-隐变量注意力
计算机视觉与模式识别
2024-09-27 v1 图形学
机器学习
摘要
我们提出一种创新的两头注意力层，其结合几何与隐变量特征，将 3D 场景分割为语义上有意义的子集。每个头利用点邻域的几何或隐变量特征，结合局部与全局信息，并借此学习更好的局部关系。该几何-隐变量注意力层（Ge-Latto）与子采样策略相结合以捕获全局特征。由于使用共享 MLP 层，我们的方法对置换不变，并且由于局部注意力层不依赖于邻居顺序，它也可用于具有变化密度的点云。我们的提案简单而鲁棒，使其在 ShapeNetPart 与 ModelNet40 数据集上取得具有竞争力的结果，并在分割复杂数据集 S3DIS 时达到最先进水平，在区域 5 上取得 69.2% IoU，以及在 6 个区域上使用 K 折交叉验证取得 89.7% 的总体精度。
引用
@article{arxiv.2111.00231,
title = {Two Heads are Better than One: Geometric-Latent Attention for Point Cloud Classification and Segmentation},
author = {Hanz Cuevas-Velasquez and Antonio Javier Gallego and Robert B. Fisher},
journal= {arXiv preprint arXiv:2111.00231},
year = {2024}
}
备注
Accepted in BMVC 2021