Point2Sequence：基于注意力机制的序列到序列网络学习3D点云的形状表示

探索局部区域的上下文信息对于形状理解和分析至关重要。现有的研究通常采用手工设计或显式的方法来编码局部区域的上下文信息。然而，这些方法难以捕捉到细粒度的上下文信息，例如局部区域内不同区域之间的相关性，这限制了所学特征的区分能力。为了解决这一问题，我们提出了一种新颖的深度学习模型——Point2Sequence，用于通过一种新的隐式方法捕捉3D点云中的细粒度上下文信息，从而学习3D形状特征。Point2Sequence采用了一种针对点云的新颖序列学习模型，通过注意力机制聚合每个局部区域的多尺度区域来捕捉相关性。具体而言，Point2Sequence首先学习局部区域内每个尺度区域的特征。然后，在使用基于循环神经网络（RNN）的编码器-解码器结构聚合所有尺度区域的过程中，引入了注意力机制以突出不同尺度区域的重要性。实验结果表明，Point2Sequence在形状分类和分割任务中达到了最先进的性能。