交叉注意力引导的区分特征选择,用于强大的点云域名概括.
Jiajia Lu1,2, Wun-She Yap2, Kok-Chin Khor2
1Fuzhou Institute of Technology, School of Electronic Engineering, Fuzhou, Fujian, China.
PloS one
|August 13, 2025
概括
本研究介绍了3D点云的新型域泛化方法,通过专注于歧视性特征选择,提高了未见的场景中的分类准确性. 该方法有效地传输上下文信息,优于现有技术.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 深度学习网络在点云分类中很普遍,但与域差异发生冲突,导致预测错误.
- 域泛化 (DG) 旨在在未见数据上改善模型性能,而无需重新训练.
- 现有的 DG 方法往往忽略了歧视性特征选择,这是强有力的概括的关键因素.
研究的目的:
- 为3D点云提出一种新的域泛化方法,强调歧视性特征选择.
- 通过有效地传输上下文信息来提高点云分类的概括性能.
主要方法:
- 将点云投射到多个视图中,并使用2D自适应特征提取器进行语义特征捕获.
- 使用DGCNN网络提取3D空间几何特征.
- 整合注意力机制,将二维语义和三维几何特征融合在一起,以进行歧视性特征选择.
主要成果:
- 与最先进的技术相比,拟议的方法显示出优越的概括性能.
- 在多源和单源域泛化任务中表现优于现有方法.
- 验证了歧视性特征选择对于强大的点云分类的有效性.
结论:
- 这种新的方法成功地解决了当前对点云的域概括方法的局限性.
- 通过注意力融合多视图语义和几何特征是实现强大的概括的关键.
- 这项工作在实现在各种场景中可靠的3D点云分类方面取得了重大进展.
