用于点云表示的跨层级跨尺度交叉关注网络

重磅干货，第一时间送达

小黑导读

论文是学术研究的精华和未来发展的明灯。小黑决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

自注意机制近年来在自然语言处理(NLP)和图像处理领域取得了令人瞩目的进展。它的排列不变性使其非常适合于点云处理。受这一显著成功的启发，作者提出了一个端到端架构，称为跨级别跨尺度交叉关注网络(CLCSCANet)，用于点云表示学习。首先，引入逐点特征金字塔模块分层提取不同尺度或分辨率的特征;然后设计一个跨级别的交叉关注来对长期的层间和层内依赖进行建模。最后，作者开发了一个跨尺度交叉关注模块来捕获尺度之间和尺度内的交互，以增强表征。与目前最先进的方法相比，通过综合实验评价，作者的网络在具有挑战性的三维物体分类和点云分割任务上可以获得具有竞争力的性能。

论文创新点

本工作的主要贡献总结如下:

三个精心设计的模块，即逐点特征金字塔，跨级交叉关注，跨尺度交叉关注，被开发来聚合不同级别和规模的特性，同时建模它们的长期相关性依赖。

基于这些模型，作者构建了一个端到端的跨层次跨尺度交叉关注网络(CLCSCANet)体系结构，将点云作为高度几何和语义表示学习的输入。

作者在三个任务(即分类和分割)上对公开可用的基准数据集进行了广泛的实验，并验证了作者的CLCSCANet框架的有效性，该框架可以获得与最先进水平相比具有竞争力的性能。

框架结构

提出的用于点云分析的跨层级跨尺度交叉关注网络的总体架构。该网络主要由点向特征金字塔、跨层次交叉关注和跨尺度交叉关注三个核心模块组成。C和D表示用于分类和分割任务的类数。

跨级交叉关注体系结构，用于层间和层内依赖学习。

实验结果

作者的CLCSCANet预测和在ShapeNet部分数据集上的ground truth的定性比较。

结论

基于深度学习和自注意技术的显著进步，本文提出了一种跨层级跨尺度交叉注意网络架构，用于更好地分析和理解三维点云。通过引入点态特征金字塔、跨层次交叉注意和跨尺度交叉注意模型，逐步聚合了几何信息和语义信息，提高了表示能力。大量实验结果表明了该网络的有效性和竞争力。

论文链接：https://arxiv.org/pdf/2104.13053.pdf

每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。