「论文阅读」SCF-Net：Learning Spatial Contextual Features for Large-Scale Point Cloud Segmentation

目录

局部极坐标表示块(LPR)

双距离注意力池块(DDAP)

全局上下文特征(GCF)

SCF模块架构

SCF-Net总体架构

---

本文的骨干网络主要是基于RandLaNet的，所以，对比着RandLaNet看。

作者从文章摘要中就指出，本文主要解决的问题是如何从大规模点云中学习特征，因此作者提出一个模块称为空间上下文特征（SCF）模块。

SCF模块由三个模块组成：

1）局部极坐标表示块

2）双距离注意池化块

3）全局上下文特征块

（类比RandLaNet中的局部特征聚合模块，局部特征聚合模块由：

1局部空间编码(LocSE)，

2注意力池化(attentive pooling)，

3扩张残留块 ）

空间上下文特征（SCF）模块图:

 作者说到，虽然已经有一些方案可以用与大规模点云的语义分割，例如SPG，PCT，RandLaNet等，但是他们都还面临如何从大规模点云中学习更有效的特征用于语义分割这个难题。

作者将如何从3D空间中学习上下文特征分成三个子问题，并根据SCF中的三个模块分别解决：

1)如何表示三维点的局部上下文  —>  局部极坐标表示块

2)如何学习局部上下文特征  —>  双距离注意池化块

3)如何学习全局上下文特征  —>  全局上下文特征块

对于每个三维点：

首先探索局部极坐标表示块，在极坐标系统中构造一个z轴旋转不变表示，以表示局部上下文。

然后，利用双距离注意力池块学习到的权值，整合其邻域表示学习有效的局部特征。

最后，全局上下文特征块利用邻域的位置和体积比来学习每个3D点的全局上下文。

局部极坐标表示块(LPR)

在极坐标系统中构造一个z轴旋转不变表示，以表示局部上下文。

该模块：将局部空间信息输入LPR块，输出极坐标表示和几何距离。

作者首先说到，在真实场景中，同一类物体朝向是不同的，这表明直接从输入的3D点学习到的特征是方位敏感的。

这种对方向敏感的情况会在一定程度上影响分割性能。

为了解决这个问题，提出了LPR学习z轴旋转不变量表示，它表示一个三维点在极坐标系而不是笛卡尔坐标系（直角坐标系）的局部上下文。