2019-Exploiting Local and Global Structure for PointCloud

本文主要是介绍2019-Exploiting Local and Global Structure for PointCloud，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Exploiting Local and Global Structure for PointCloud Semantic Segmentation with Contextual Point Representations

期刊：Nips2019

时间：2019

code：https://github.com/fly519/ELGS

---

1、创新

针对PointNet2的三个问题

• 初始特征表示只是局限于xyz rgb i 等低层次的特征，没有综合点的邻域信息
• sampling+grouping后对于local pointcloud，使用的是对每一个点孤立地提取特征，唯一的特征聚合是在最后使用一次max函数，这样没有考虑group内部点之间的影响。
• 没有利用采样点与点之间的全局关系

作者对应地提出三个模块

• Point Enrichment：对每个点的初始feature进行增强
• Feature Representation：在grouping后的每一个小点云，使用一种attention机制，将每个点的特征更新为邻域内所有点特征的加权和
• Prediction：对decoder后的点云，分别使用spatial attention 和 channel attention更新特征，这样就认为每个点携带了全局信息（无论两个点距离多远）

2、具体实现

2.1 Point Enrichment

简单来讲就是对每一个点P，寻找其最近的K个点（论文中K=3），然后将这个K个点的初始feature拼接到一块，这样对这个点P其拼接后的特征就是K*D。

然后对这个P点进行特征升维（D—>KD），然后使用这个两个 KxD维度特征进行相互运算：

最后将两个特征拼接就得到了每个点的初始feature（KxD || KxD=2KxD）

2.2 Feature Representation

采用的是经典的encoder-decoder模型，基本和PointNet2一致

Encoder

在grouping后，PointNet2的局部是使用的PointNet，仅仅是对每一个点进行特征提取，作者认为这种方式忽视了点之间的关系，作者添加了一个GAB（Graph Attention Block）模块用来计算局部点之间的相似度。

具体实现也很简单，就是计算相识度，然后求得权重，最后加权求和更新特征：

Decoder

和PointNet2一致

2.3 Prediction

为了利用点之间的Global信息，引入attention机制（Spatial-wise Attention和Channel-wise Attention），来融合每个点的特征。

Spatial-wise Attention

对每一个点分配一个权重，然后更新特征

Channel-wise Attention

对每一个通道分配一个权重，然后更新特征

最后合并两个更新后特性，得到全局特征。

一个疑问：这里为啥不直接基于对空间attention后的点在进行channel attention呢？

3、实验结果

S3DIS

Scan Net

消融实验

验证模块的有效性

这篇关于2019-Exploiting Local and Global Structure for PointCloud的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---