标签：segmentation semantic point attention 邻域 feature 中心点 local

Point attention network for semantic segmentation of 3D point clouds

Mingtao Fenga, Liang Zhangb, Xuefei Linc, Syed Zulqarnain Gilanid and Ajmal Miand*

年份：2020

期刊：Pattern Recognition

IF：7.196

1、创新

1）通过attention机制实现LAE-Convs 学习丰富的局部信息

2）point-wise spatial attention module学习点之间的上下文信息（全局信息）

这两种方式都是pointnet2缺少的，

1、pointnet2中的局部信息是通过简化版的pointnet实现的，最终聚合方式是采用的max函数，该方法对中心点周围的Kg个邻域点的权重在任意一个特征维度上都是[0,…1,…0]类似的排布。只采用最大的特征，而丢弃了其余的特征。

2、pointnet2没有对S个中心点的局部特征学习他们之间的关系，这对于同一个物体之间的信息没有办法相互加强。

2、具体实现

1）对于LAE-Convs（Local Attention-Edge Convolution）模块，不同于kNN和ballquery的邻域检索方式，采用了

multi-directional search method，在每一个方向内选取一个最近点，如果没有，就重复中心点。

选取完邻域点之后，构建局部坐标系（平移邻域点），然后对每一个邻域点计算一个edge-weight，将16个邻域点的特征（聚合）加权求和到中心点上。

对聚合后的中心点再使用一次MLP，得到一个的local feature

最后在对该local feature进行MLP，得到最终的lcoal feature。

该部分的算法如下：

2）对于LAE-Convs输出的特征，都是local feature，这个local feature 很容易被距离所影响，为了加强同一个label的点集之间的关联度，为了获得他们这些local pointcloud的感受野之间的信息，也就是global信息，作者提出了一种point-wise spatial attention module以获取长距离之间的信息，使得feature不再受距离的影响。

流程如下，可以看到这是一个标准的attention模型，前两个代表Q、K，第三个代表V，通过计算Q和K之间的相识度，来更新V的值。

相识度计算：

最终的特征计算：

3）网络结构：

还是经典的encoder-decoder模型

3、实验结果

1、Scan Net

• 消融实验

2、S3DIS

3、ShapeNet

3、ShapeNet

标签：segmentation,semantic,point,attention,邻域,feature,中心点,local
来源： https://blog.csdn.net/suyunzzz/article/details/112304639

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。