特徴空間におけるクラスタリングを用いたコンテンツベースのトランスフォーマーによる点群分類

最近、3Dポイントクラウド分類におけるTransformerの応用が試みられています。計算量を削減するため、既存の方法の多くは局所空間注意に焦点を当てていますが、その内容を無視し、遠隔かつ関連のある点間の関係を確立できていません。この局所空間注意の制限を克服するために、我々は特徴空間（内容ベース）での点の局所性を利用し、類似した特徴を持つサンプリングされた点を同じクラスにクラスタリングし、各クラス内で自己注意を計算することで、長距離依存関係の捕捉と計算複雑さとの効果的なトレードオフを実現するポイントコンテンツベースのTransformerアーキテクチャであるPointConT（Point Content-based Transformer）を提案します。さらに、我々はInception特徴集合器を導入し、これにより並列構造を使用して各ブランチで高周波情報と低周波情報を別々に集約します。広範な実験結果から、我々のPointConTモデルはポイントクラウド形状分類において優れた性能を達成していることが示されています。特に、最も難しい設定であるScanObjectNNにおいて、我々の手法はTop-1精度90.3%という結果を示しています。本論文のソースコードはhttps://github.com/yahuiliu99/PointConTで入手可能です。