要約
自己注意機構（self-attention）ネットワークは自然言語処理分野を革新し、画像分類や物体検出などの画像解析タスクにおいても顕著な進展を遂げている。この成功に触発され、本研究では自己注意機構ネットワークを3次元点群処理への応用に考察した。我々は点群用の自己注意レイヤーを設計し、これを基にセマンティックシーンセグメンテーション、オブジェクトパーツセグメンテーション、オブジェクト分類などのタスク向けの自己注意ネットワークを構築した。提案するPoint Transformerは、さまざまな分野およびタスクにおいて既存の手法を上回る性能を達成した。特に、大規模セマンティックシーンセグメンテーションの難易度が高いS3DISデータセットにおいて、Area 5においてmIoUが70.4％を達成し、最も強力な先行モデルを3.3パーセンテージポイント上回り、初めて70％のmIoUを突破した。