[论文解读] PCAN: 3D Attention Map Learning Using Contextual Information for Point Cloud Based Retrieval

Wenxiao Zhang, Chunxia Xiao|arXiv (Cornell University)|Apr 22, 2019

3D Shape Modeling and Analysis参考文献 40被引用 22

一句话总结

该论文提出PCAN，一种3D注意力网络，通过基于上下文信息重加权局部特征来学习上下文感知的注意力图，从而提升基于点云的场景识别性能。通过将注意力机制整合到NetVLAD中以学习全局描述符，PCAN在无需额外监督的情况下，在基准数据集上实现了最先进（SOTA）的性能表现。

ABSTRACT

Point cloud based retrieval for place recognition is an emerging problem in vision field. The main challenge is how to find an efficient way to encode the local features into a discriminative global descriptor. In this paper, we propose a Point Contextual Attention Network (PCAN), which can predict the significance of each local point feature based on point context. Our network makes it possible to pay more attention to the task-relevent features when aggregating local features. Experiments on various benchmark datasets show that the proposed network can provide outperformance than current state-of-the-art approaches.

研究动机与目标

• 为解决将局部点特征编码为判别性全局描述符以实现基于3D点云的场景识别的挑战。
• 通过利用上下文信息学习哪些局部特征对任务最为相关，从而改进特征聚合。
• 在检索过程中降低对噪声或时变元素（如行人、漂浮物）的敏感性。
• 开发一种自监督注意力机制，仅需定位标签即可，无需额外标注。
• 在复杂多变环境中，特别是光照变化和遮挡条件下，提升鲁棒性与判别能力。

提出的方法

• PCAN使用基于PointNet的主干网络从原始3D点云中提取每个点的局部特征。
• 一种上下文感知注意力模块通过基于球查询的邻域池化聚合多尺度上下文特征，计算出注意力图。
• 注意力图根据上下文相关性为每个点分配权重，突出显示如建筑角落等稳定且具有判别性的结构。
• 加权特征随后通过改进的NetVLAD层聚合，生成紧凑且具有判别性的全局描述符。
• 网络采用端到端训练，仅使用定位标签（无额外监督），并在最终描述符上应用L2归一化。
• 评估了多分辨率分组（MRG）和多尺度分组（MSG）作为上下文聚合策略，以平衡稳定性和判别能力。

实验结果

研究问题

• RQ1 上下文感知注意力学习能否提升3D点云检索中全局描述符的判别质量？
• RQ2 从邻近点中引入上下文信息在多大程度上影响注意力图质量与检索性能？
• RQ3 所提出的自监督注意力机制在多大程度上可降低点云中噪声或动态元素（如行人、漂浮碎片）的敏感性？
• RQ4 与忽略上下文信息的注意力机制（如PAN）相比，PCAN在准确性和鲁棒性方面表现如何？
• RQ5 不同分组策略（如MRG、MSG）对注意力机制的稳定性和性能有何影响？

主要发现

• 在牛津大学数据集上，PCAN在Top-1%的平均召回率达到83.81%，优于基线模型PointNetVLAD和消融模型PAN。
• 在牛津大学数据集上，PCAN相比PAN将Top-1%召回率提升了3.6个百分点，证明了上下文感知注意力的有效性。
• 在自建数据集上（如美国数据集），PCAN保持了强劲性能（Top-1%召回率达69.05%），即使在训练数据较少且场景更复杂的条件下亦然。
• 注意力图成功抑制了噪声点和动态物体（如行人、漂浮碎片），如结果可视化所示。
• 消融研究证实，上下文聚合显著提升了性能，PCAN在所有数据集上均优于PAN。
• PCAN在稳定性（忽略如树叶等不稳定特征）与判别能力（突出显示如角落等独特结构）之间表现出良好的权衡。