Global Attention-Guided Dual-Domain Point Cloud Feature Learning for Classification and Segmentation

之前的研究已经证明了基于点的神经网络模型在点云分析任务上的有效性。然而，仍存在一个关键问题，即如何产生原始点坐标的高效输入嵌入。此外，另一个问题在于邻域聚合的效率有限，这是网络中的一个关键组件。本文提出了一种全局注意力引导的双域特征学习网络（GAD）来解决上述问题。我们首先设计了具有改进全局注意力机制的上下文位置增强变换器（CPT）模块，以产生全局感知的输入嵌入，作为后续聚合的指导。然后，级联了双域K近邻特征融合（DKFF），通过新颖的双域特征学习有效地进行特征聚合，既考虑了局部几何关系，又考虑了长距离语义连接。在多个点云分析任务（例如分类、部分分割和场景语义分割）上进行了大量实验，证明了所提出方法的优越性以及所设计模块的有效性。

该论文旨在解决点云分析任务中点坐标的输入嵌入效率和相邻聚合效率有限的问题。

论文提出了一种全局注意力引导的双域特征学习网络（GAD），其中利用改进的全局注意力机制设计了上下文位置增强变压器（CPT）模块，产生全局感知的输入嵌入，用于指导后续聚合。然后，级联双域K近邻特征融合（DKFF）进行有效的特征聚合，通过新颖的双域特征学习，既理解了局部几何关系，又理解了远距离的语义连接。

论文在多个点云分析任务（例如分类、部分分割和场景语义分割）上进行了广泛的实验，证明了所提出方法的优越性和所设计模块的功效。

最近在这个领域中，还有一些相关的研究，例如：PointNet、PointNet++、DGCNN等。