.png){kind=icon}
返回
Adaptive token selection for scalable point cloud transformers
.png){kind=icon}
OA
AI
DOI：10.1016/j.neunet.2025.107477.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，三维数据采集的激增推动了点云处理中几何深度学习模型的发展，得益于自然语言处理中transformers的显著成功。尽管点云transformers（PTs）近期取得了令人印象深刻的结果，但它们相对于点云规模的二次方缩放给实际应用带来了显著的扩展性挑战。为了解决这一问题，我们提出了自适应点云transformer（AdaPT），这是一种通过自适应token选择机制增强的标准PT模型。AdaPT在推理过程中动态减少token数量，从而能够高效处理大型点云。此外，我们引入了一种预算机制，可在推理时灵活调整模型的计算成本，而无需重新训练或微调单独的模型。我们在点云分类任务上的广泛实验评估表明，与标准PTs相比，AdaPT在显著降低计算复杂度的同时保持了有竞争力的精度。AdaPT的代码可在https://github.com/ispamm/adaPT上公开获取。
Keyword:
Transformer
Geometric deep learning
Point clouds
Gumbel-Softmax
Token selection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏
查看更多内容