Modeling Point Clouds with Self-Attention and GSS

最新推荐文章于 2025-04-14 22:26:17 发布

着实是妙啊

最新推荐文章于 2025-04-14 22:26:17 发布

阅读量2.3k

点赞数 9

本文链接：https://blog.csdn.net/luojio/article/details/117399539

版权

本文介绍了如何在点云处理中应用自注意力机制（GSA）和甘贝尔采样（GSS），以替代PointNet++的卷积和采样策略。GSA通过ARPE模块强调点间关联，而GSS在分类时提供全局重要特征选择。这两者结合改进了特征提取和点云表示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Modeling Point Clouds with Self-Attention and Gumbel Subset Sampling小笔记（本人也是小白，好多地方也不太懂，现在是做个笔记方式防止之后忘了，有错误还请不吝指正，大家共同进步呀）

总体介绍

这篇论文大概是在PointNet++（++总结，链接: link.）的基础上提出来的，相比之下呢，它舍弃掉了pointnet++中利用卷积核来提取局部特征的方式，换成了类似自注意力机制的方式（GSA）来获得点间的关联信息（突出一些点的特征），另外它舍弃掉了pointnet++中使用最远点采样（FPS）的方式来获取代表点的方法，改为使用Gumbel Subset Sampling（GSS）来获取代表点，下面我将分别介绍GSA与GSS。

该论文与pointnet++对比：1.在提取特征部分，++使用最远点采样，以采样
得到的点为中心形成球域，并从球域中提取特征升维；而该论文选择使用ARPE模块直接将点升维，再利用GSA突出一些点的重要程度，以达到寻找特征的效果。2.在分类部分，++使用pointnet的结构将之前提取的特征融合成一个向量，再通过全连接层去提取全局特征，而该论文通过下采样（甘贝尔）的方式去提取全局最重要的特征。3.在分割部分，++使用插值上采样的操作来恢复原始点云，而该论文使用GSA的方式。