.png){kind=icon}
返回
Frame points attention convolution for deep learning on point cloud
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-97388-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云可以被视为非欧结构数据，因为它无序且不规则。在点云训练中，直接应用空间离散卷积较为困难。本文提出了一种新型三维空间卷积算子，称为frame points attention convolution（FPAC）。FPAC在空间中预定义一组frame points，并通过注意力机制量化输入局部点与frame points之间的相关性。FPAC随后将量化的相关性结合frame points的权重，生成空间连续的滤波器。滤波器中不同局部区域的卷积权重是动态计算的，不依赖生成模型或概率假设。此外，FPAC经过重新表述以减少训练过程中的内部维度，从而降低内存消耗并显著提升训练速度。还实施了多项优化措施以进一步提升FPAC的性能。我们使用FPAC构建了三种常见的点云任务网络，并在常用数据集上对这些网络进行了训练实验。实验结果表明，本文提出的方法在点云任务上与当前最先进的方法具有竞争力。
Keyword:
NEURAL-NETWORKS
3D
CLASSIFICATION
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
查看更多内容