VA-GCN：一种用于点云学习的向量注意力图卷积网络
计算机视觉与模式识别
2021-06-02 v1
摘要
得益于局部聚合算子的研究发展，点云分析模型取得了突破性进展。然而，现有文献中的局部聚合算子未能充分重视点云的局部信息，限制了模型的表达能力。为弥补这一不足，我们提出一种高效的向量注意力卷积模块（VAConv），其利用 K 近邻（KNN）提取每个输入点的邻域点，然后使用中心点与邻点之间向量的仰角和方位角关系构建边特征的注意力权重矩阵。随后，VAConv 采用双通道结构融合加权边特征与全局特征。为验证 VAConv 的效率，我们将具有不同感受野的 VAConv 并行连接，得到多尺度图卷积网络 VA-GCN。所提出的 VA-GCN 在 ModelNet40、S3DIS 和 ShapeNet 等标准基准上取得了最先进的性能。值得注意的是，在用于三维分类的 ModelNet40 数据集上，VA-GCN 相较基线提升了 2.4%。
引用
@article{arxiv.2106.00227,
title = {VA-GCN: A Vector Attention Graph Convolution Network for learning on Point Clouds},
author = {Haotian Hu and Fanyi Wang and Huixiao Le},
journal= {arXiv preprint arXiv:2106.00227},
year = {2021}
}
备注
12 pages, 5 figures