Attention Graph Convolution pour la segmentation sémantique des nuages de points

La convolution standard est intrinsèquement limitée pour la segmentation sémantique des nuages de points en raison de son isotropie par rapport aux caractéristiques. Elle néglige la structure des objets, ce qui entraîne une mauvaise délimitation des objets et la présence de petites régions artificielles dans les résultats de segmentation. Ce papier propose une nouvelle convolution à attention graphique (GAC), dont les noyaux peuvent être dynamiquement façonnés en formes spécifiques afin de s’adapter à la structure des objets. Plus précisément, en attribuant des poids d’attention appropriés aux points voisins, la GAC est conçue pour se concentrer sélectivement sur la partie la plus pertinente parmi ceux-ci, en fonction des caractéristiques apprises dynamiquement. La forme du noyau de convolution est ensuite déterminée par la distribution apprise des poids d’attention. Bien que simple, la GAC parvient à capturer les caractéristiques structurées des nuages de points pour une segmentation fine et à éviter la contamination des caractéristiques entre objets. Théoriquement, nous fournissons une analyse approfondie des capacités d’expression de la GAC afin de montrer comment elle peut apprendre les caractéristiques des nuages de points. Expérimentalement, nous évaluons la GAC proposée sur des jeux de données difficiles, tant intérieurs qu’extérieurs, et obtenons des résultats de pointe dans les deux scénarios.