Graph Attention Convolution for Point Cloud Segmentation
标准卷积由于其特征的各向同性,在语义点云分割中存在固有的局限性。它忽略了物体的结构,导致分割结果中对物体轮廓的描述较差,有小部分伪区域。作者提出了一种新的图形注意卷积(GAC),它的卷积核可以被动态地雕刻成特定的形状,以适应对象的结构。具体来说,GAC通过给不同的相邻点分配特定的注意权重,根据它们的特点选择性地聚焦于它们最相关的部分。卷积核的形状是由学习到的注意权值分布决定的。GAC虽然简单,但是可以捕捉点云的结构化特征,进行细粒度分割,避免了对象之间的特征污染。从理论上,作者对GAC的表达能力进行了深入的分析,展示了它如何学习点云的特征。经验上,通过对室内和室外数据集的挑战实验,作者提出的GAC在现有的深度学习方法的基础上,展示了最先进的性能。
相关推荐
- 更多论文知识点总结与论文