【MPCT_Multiscale_Point_Cloud_Transformer_with_a_Residual_Network 】论文阅读记录

***引言***
1. Seedformer中使用的方法是基于“矢量自注意力”的Point Transformer
2. PCT中引入了点云变换，增强分类和分割的性能；使用的是堆叠注意力模块；
3. DPCT聚合点和通道自注意力模型，从语义上捕获位置和通道更丰富的上下文依赖关系；
4. PTT、PTTR用于目标跟踪；
5. 3DETR是一种端到端Transformer的目标检测模型；

本文方法：MPCT

基于带有残差网络的多尺度局部邻域来实现，设计思想与“Rethinking network design and local geometry in point cloud"一致，只是工作重点是使用Transformer。
利用自注意力的排列不变性来避免点云的不规则性所带来的问题；
使用新型自注意力机制来分析多阶段局部邻域并生成多尺度特征；
1. 点增强方法，对点云中每个点的位置信息进行处理，将点坐标升级为高级几何信息；
2. 将点变换后的特征输入到自注意力模块，可以建立当前特征之间的潜在联系，然后可以提取新的不变特征，且复杂度降低O（ND）
3. 在每个特征生成步骤之后使用残差结构，构建有效的内存高效网络帮助特征传播；

网络结构-三个核心阶段：