基于注意力机制的点云分类研究综述.docVIP

基于注意力机制的点云分类研究综述

点云作为三维空间中物体表面的离散采样数据，具备精确的几何结构与空间位置信息，是自动驾驶、机器人感知、工业检测、医学影像分析等领域的核心数据载体。点云分类任务旨在为每个点云样本分配预定义的类别标签，是三维场景理解的基础任务之一。传统点云分类方法多依赖手工设计的特征描述子，如法向量、曲率、自旋图像等，这类方法在简单场景下具备一定效果，但面对大规模、复杂遮挡、非均匀采样的点云数据时，特征表达能力不足、泛化性差的问题尤为突出。随着深度学习技术的发展，以PointNet为代表的端到端点云处理网络首次实现了直接对无序点云的特征提取，突破了传统方法的特征设计瓶颈，但这类全局特征聚合方式容易忽略局部细粒度结构与点之间的长距离依赖关系，限制了分类精度的进一步提升。注意力机制作为能够自适应捕捉元素间关联权重的技术，在自然语言处理和二维计算机视觉领域取得巨大成功后，被逐步引入点云处理任务中，为解决点云的无序性、稀疏性、不规则分布等固有挑战提供了全新的思路。

一、注意力机制适配点云特性的核心设计思路

注意力机制的核心是通过计算特征间的相似度得到权重分配系数，再对特征进行加权聚合，突出重要信息、抑制冗余信息。但点云的无序性、置换不变性、非均匀采样等特性，使得直接套用二维图像的注意力框架无法取得理想效果，研究者们围绕点云的特性展开了针对性的适配设计。

针对点云的无序性，主流方