CVPRApr, 2019

PCAN: 使用上下文信息学习 3D 注意力图以进行基于点云的检索

PDF
TL;DR通过 Point Contextual Attention Network (PCAN) 能够在对点上下文加权的情况下，对局部特征进行更加关注，从而有效地编码局部特征并在多个基准测试数据集上提供性能优于当前最先进方法的检索性能。
发现论文，激发创造
  • PiCANet：学习像素级的背景上下文注意力进行显著性检测

    本文提出了一种像素级的上下文注意力网络 ——PiCANet，旨在学习选择性地注意每个像素的信息上下文位置，通过全局和局部形式，构建所关注的上下文特征，与 U-Net 结构相结合，可以准确且均匀地检测显著对象，在显著性检测性能方面表现优异。

    Aug, 2017

  • PiCANet：基于像素级上下文注意力学习的精确显著性检测

    本文提出了一个名为 PiCANet 的新型像素级上下文关注网络，通过对上下文区域的关注权重进行学习，选择性地融合有用的上下文特征，最终应用于显著性检测、语义分割和物体检测等领域，相对于其他同类方法性能有显著的提升。

    Dec, 2018

  • 基于注意力机制的图卷积神经网络点云学习

    提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

    May, 2019

  • 三维点云语义分割的点注意力网络

    本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

    Sep, 2019

  • 适用于多目标跟踪和分割的原型交叉注意力网络

    我们提出了一种名为 PCAN 的新型神经网络，它可以应用于在线多目标跟踪和分割任务，利用空间和时间信息识别、追踪和分割物体，以及学习对比前景和背景原型，并在时间上进行传播。实验表明，该方法在多个数据集上都表现优异。

    Jun, 2021

  • 基于注意力金字塔聚合网络的视觉地点识别

    提出了一种基于注意力机制的金字塔聚合网络（APANet），其中空间金字塔池化可以有效编码多尺度建筑物包含地理信息，而注意力模块则用于抑制混淆区域特征并突出辨别性特征，通过一种 PCA 白化策略在两个地点识别基准测试中表现优异。

    Aug, 2018

  • SACANet：用于遥感图像语义分割的场景感知类别注意力网络

    本文提出了一种基于场景感知注意力的空间注意力模块和局部 - 全局类注意力机制，以此构建一种应用于遥感图像语义分割的场景感知类别注意力网络（SACANet），试验表明 SACANet 的性能优于其他最先进的方法并验证了其有效性。

    Apr, 2023

  • 大规模场所识别的高效三维点云特征学习

    本文提出了一种高效的点云学习网络 (EPC-Net) 以形成全局描述符用于视觉地方识别，该网络具有良好的性能并且可以降低计算内存和推理时间，通过在代理点和空间相邻矩阵上进行简化的边缘卷积实现对点云本地几何特征的聚合，然后设计轻量级分组 VLAD 网络 (G-VLAD) 以形成检索的全局描述符。

    Jan, 2021

  • 基于多路注意力网络的基于检索的问答和响应预测模型

    本文提出了一种新的组合特征增强模型 ——MCAN，将关注机制用于特征增强，适用于会话建模和问答排名等多种任务，此模型可以同时执行多个关注类型和变形种类等多种操作，并且在四个基准数据集上取得了最好的性能表现。

    Jun, 2018

  • 基于自注意力的上下文感知 3D 物体检测（SA-Det3D）

    本研究提出了两种三维物体检测的自我注意力模型，即通过将卷积特征与自我注意力特征相结合，将成对的自我注意力机制纳入最新的基于 BEV、体素和点云检测器，最终在 KITTI 验证集上证明了模型精度的一致提高，同时减少了运算量和计算成本，实现了更好的参数效率和计算效率。

    Jan, 2021