Pointnet++改进：在特征提取模块加入EMA注意力机制

AICurator

已于 2024-01-03 13:23:05 修改

阅读量1.6k

点赞数 37

CC 4.0 BY-SA版权

分类专栏： Pointnet++改进专栏文章标签：深度学习人工智能 3d

于 2024-01-03 13:12:34 首次发布

本文链接：https://blog.csdn.net/m0_51530640/article/details/135361088

Pointnet++改进专栏专栏收录该内容

86 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

本文提出了一种新型的高效多尺度注意力(EMA)模块，用于3D点云特征提取。该模块通过通道重构和跨维度交互，提高了特征表示能力，适用于深度学习中的计算机视觉任务。在CIFAR-100、ImageNet-1k等基准上展示了优越性能，并在PointNet++的PointNetSetAbstractionAttentionMsg模块中实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简介：
1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！
2.本篇文章对Pointnet++特征提取模块进行改进，加入EMA注意力机制，提升性能。
3.专栏持续更新，紧随最新的研究内容。

1.理论介绍

在各种计算机视觉任务中，通道或空间注意机制对于产生更多可识别的特征表示具有显着的有效性。然而，通过通道降维来建模跨通道关系可能会对提取深度视觉表征带来副作用。本文提出了一种新型的高效多尺度注意力(EMA)模块。为了保留每个通道上的信息和减少计算开销，我们将部分通道重构为批处理维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组内均匀分布。具体而言，除了编码全局信息以重新校准每个并行分支中的通道权重外，还通过跨维交互进一步聚合两个并行分支的输出特征，以捕获像素级成对关系。我们使用流行的基准(例如CIFAR-100、ImageNet-1k、MS COCO和VisDrone2019)对图像分类和目标检测任务进行了广泛的烧烧研究和实验，以评估其性能。

我们提出了一种新的跨空