Point attention network for semantic segmentation of 3D point clouds
Mingtao Fenga, Liang Zhangb, Xuefei Linc, Syed Zulqarnain Gilanid and Ajmal Miand*
年份：2020
期刊：Pattern Recognition
IF：7.196
1、创新
1）通过attention机制实现LAE-Convs 学习丰富的局部信息
2）point-wise spatial attention module学习点之间的上下文信息（全局信息）
这两种方式都是pointnet2缺少的，
1、pointnet2中的局部信息是通过简化版的pointnet实现的，最终聚合方式是采用的max函数，该方法对中心点周围的Kg个邻域点的权重在任意一个特征维度上都是[0,…1,…0]类似的排布。只采用最大的特征，而丢弃了其余的特征。
2、pointnet2没有对S个中心点的局部特征学习他们之间的关系，这对于同一个物体之间的信息没有办法相互加强。
2、具体实现
1）对于LAE-Convs（Local Attention-Edge Convolution）模块，不同于kNN和ballquery的邻域检索方式，采用了
multi-directional search method，在每一个方向内选取一个最近点，如果没有，就重复中心点。
选取完邻域点之后，构建局部坐标系（平移邻域点），然后对每一个邻域点计算一个edge-weight，将16个邻域点的特征（聚合）加权求和到中心点上。
对聚合后的中心点再使用一次MLP，得到一个的local feature
最后在对该local feature进行MLP，得到最终的lcoal feature。
该部分的算法如下：
2）对于LAE-Convs输出的特征，都是local feature，这个local feature 很容易被距离所影响，为了加强同一个label的点集之间的关联度，为了获得他们这些local pointcloud的感受野之间的信息，也就是global信息，作者提出了一种point-wise spatial attention module以获取长距离之间的信息，使得feature不再受距离的影响。
流程如下，可以看到这是一个标准的attention模型，前两个代表Q、K，第三个代表V，通过计算Q和K之间的相识度，来更新V的值。
相识度计算：
最终的特征计算：
3）网络结构：
还是经典的encoder-decoder模型
3、实验结果
1、Scan Net
- 消融实验
2、S3DIS
3、ShapeNet
3、ShapeNet
