摘要
自注意力网络已彻底革新了自然语言处理领域，并在图像分析任务（如图像分类和目标检测）中取得了令人瞩目的进展。受此成功的启发，我们探索了自注意力网络在三维点云处理中的应用。为此，我们设计了适用于点云的自注意力模块，并基于这些模块构建了用于语义场景分割、物体部件分割以及物体分类等任务的自注意力网络。我们的Point Transformer架构在多个领域和任务上均优于先前的方法。例如，在大规模语义场景分割的挑战性数据集S3DIS上，Point Transformer在Area 5测试集上取得了70.4%的mIoU（平均交并比），相比最强的先前模型提升了3.3个百分点，并首次突破了70%的mIoU阈值。