.png){kind=icon}
返回
HRFN3D: High-Resolution Feature Network for 3D Point Cloud
.png){kind=icon}
PRE
AI
DOI：10.1142/S0219843626500040.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多尺度特征融合在点云处理中仍是一个关键挑战。尽管现有的编解码框架通过顺序下采样和上采样提取多尺度特征，但其延迟融合策略导致特征交互不足和空间精度下降。受二维视觉中高分辨率网络的启发，我们提出了HRFN3D，一种新型架构，在整个网络中保持并行的高到低分辨率流。我们的关键创新在于通过两个核心组件实现早期阶段特征融合：一个结合分组向量注意力与基于KNN的局部聚类的局部序列算子，以及一个通过可学习上采样实现跨分辨率交互的早期上采样特征融合模块。此外，我们引入了一个通道-空间注意力模块以增强全局上下文建模。广泛的实验表明其达到了最先进的表现，在ShapeNetPart上实现了86.5%的实例平均交并比，在ModelNet40上达到了91.5%的类别平均准确率。代码将在论文发表后发布。
Keyword:
Multi-scale features
point cloud processing
high-resolution
feature fusion
early stage
期刊
IF:
1.6
论文数:
62
被引数:
633
机构
引用论文
暂无论文信息