DSPoint: Doppelt-skalierte Punktewolken-Erkennung mit Hochfrequenz-Fusion
Die Verarbeitung von Punktwolken ist eine herausfordernde Aufgabe aufgrund ihrer Sparsamkeit und Irregularität. Frühere Arbeiten haben entweder fein abgestimmte Designs für lokale Merkmalsaggregatoren oder globale geometrische Architekturen eingeführt, aber nur wenige kombinieren beide Vorteile. Wir schlagen Dual-Skalen-Punktwolken-Erkennung mit Hochfrequenz-Fusion (DSPoint) vor, um lokale und globale Merkmale durch gleichzeitiges Betreiben auf Voxel- und Punkt-Ebene zu extrahieren. Wir kehren das herkömmliche Design um, bei dem Faltungen auf Voxel und Aufmerksamkeit auf Punkte angewendet werden. Insbesondere trennen wir die Punktmehrheiten entlang der Kanaldimension für die Dual-Skalen-Verarbeitung: einmal durch punktweise Faltung zur detaillierten geometrischen Analyse, das andere Mal durch vokselweise globale Aufmerksamkeit zur Exploration langer Strukturen. Wir entwickeln ein Co-Aufmerksamkeits-Fusionsmodul zur Merkmalsausrichtung, um lokale und globale Modalitäten zu verbinden, indem es hochfrequente Koordinateninformationen über Skalen hinweg austauscht. Experimente und Abschweifungen auf den weit verbreiteten Datensätzen ModelNet40, ShapeNet und S3DIS zeigen die Stand der Technik leistende Performance unseres DSPoint.注释：- "Punktmehrheiten" 是 "point features" 的一种翻译，但在这里可能更常用的是 "Punktmuster" 或 "Punktmerkmale"。根据上下文，这里选择了 "Punktmerkmale"。- "Abschweifungen" 通常指偏离主题的内容，但在科技文献中，"ablations" 更常被翻译为 "Ablationsstudien"。修正后的版本：Die Verarbeitung von Punktwolken ist eine herausfordernde Aufgabe aufgrund ihrer Sparsamkeit und Irregularität. Frühere Arbeiten haben entweder fein abgestimmte Designs für lokale Merkmalsaggregatoren oder globale geometrische Architekturen eingeführt, aber nur wenige kombinieren beide Vorteile. Wir schlagen Dual-Skalen-Punktwolken-Erkennung mit Hochfrequenz-Fusion (DSPoint) vor, um lokale und globale Merkmale durch gleichzeitiges Betreiben auf Voxel- und Punkt-Ebene zu extrahieren. Wir kehren das herkömmliche Design um, bei dem Faltungen auf Voxel und Aufmerksamkeit auf Punkte angewendet werden. Insbesondere trennen wir die Punktmerkmale entlang der Kanaldimension für die Dual-Skalen-Verarbeitung: einmal durch punktweise Faltung zur detaillierten geometrischen Analyse, das andere Mal durch voxelweise globale Aufmerksamkeit zur Exploration langer Strukturen. Wir entwickeln ein Co-Aufmerksamkeits-Fusionsmodul zur Merkmalsausrichtung, um lokale und globale Modalitäten zu verbinden, indem es hochfrequente Koordinateninformationen über Skalen hinweg austauscht. Experimente und Ablationsstudien auf den weit verbreiteten Datensätzen ModelNet40, ShapeNet und S3DIS zeigen die Stand-der-Technik-Leistung unseres DSPoint.