【原】​(AF)平方-S3Net：稀疏语义分割网络的注意特征融合与自适应特征选择

重磅干货，第一时间送达

小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

自动机器人系统和自动驾驶汽车依赖于对周围环境的准确感知，因为乘客和行人的安全是重中之重。语义分割是道路场景感知的重要组成部分之一，它提供了道路周边环境的语义信息。近年来，已有多种用于三维激光雷达语义分割的方法。虽然它们可以提高性能，但它们要么受到高计算复杂度的影响，因此效率低下，要么缺乏较小实例的详细信息。为了缓解这些问题，作者提出了(AF) 2 - S3Net，一种端到端编解码的CNN网络，用于3D激光雷达语义分割。提出了一种新颖的多分支关注特征融合模块和一种独特的自适应特征选择模块。作者的(AF) 2 -S3Net将基于体素的学习方法和基于点的学习方法融合成一个统一的框架，有效地处理大型3D场景。作者的实验结果表明，该方法在大规模SemanticKITTI基准测试中优于最先进的方法，在公开排行榜竞争中排名第一。

论文创新点

• 在semanticKITTI基准中实现最先进精度的端到端编译码3D稀疏CNN;

• 编码器中的多分支注意特征融合模块，学习全局上下文和局部细节;

• 自适应特征选择模块，在解码器中对特征映射重新加权，主动强调来自特征融合模块的上下文信息，以提高泛化能力;

• 通过消融研究、定性和定量结果，综合分析了作者的模型与现有方法在三个基准上的语义分割和分类性能，semanticKITTI， nuScenes-lidarseg和ModelNet40。

框架结构

(AF)平方-S3Net概述

左上角块是注意特征融合模块(AF2M)，使用互斥的可学习掩码、α、β和γ的加权组合聚合局部和全局上下文。右上方的块说明了自适应特征选择模块(AFSM)如何使用共享参数来学习AF2M中跨多尺度特征图的通道之间的相互关系。(展览最佳观看效果)

点云的注意特征融合和空间几何说明

实验结果

与SalsaNext和MinkNet42相比，作者的方法在nuScenes验证集上识别区域表面的误差更小(如红色所示)。

SemanticKITTI测试集中的参考图像(上)、预测(右下)、注意图(左下)。

结论

本文提出了一种端到端的CNN模型来解决三维激光雷达点云的语义分割和分类问题。作者提出了一种基于三维稀疏卷积的网络(AF) 2 -S3Net，该网络包含两个新的注意块，即注意特征融合模块(AF2M)和自适应特征选择模块(AFSM)，以有效地学习局部和全局上下文，强调给定激光雷达点云中的精细细节信息。在多个基准测试(SemanticKITTI、nuscens -lidarseg和ModelNet40)上进行的大量实验表明，它们能够捕获作者提出的模型的局部细节和最先进的性能。未来的工作将包括将作者的方法扩展到端到端三维实例分割和大规模激光雷达点云上的目标检测。

论文链接：https:///pdf/2102.04530pdf

每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。

- END -

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。深度学习爱好者 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

深度学习爱好者 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

📝 来稿标准：

· 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

· 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

· 深度学习爱好者 默认每篇文章都是首发，均会添加“原创”标志