当Transformer遇上3D点云，效果会怎么样？

一个是当下最热门的模型（NLP、图像领域表现都不错），另一个是自动驾驶领域、机器人抓取等领域的关键技术。

来自清华计算机系的团队，开发出了一个全新的PCT网络，相比于目前主流的点云分割模型PointNet，不仅参数量减少，准确度还从89.2%提升到了93.2%。

而且，相比于主流的点云分割网络PointNet，分割的边缘明显更清晰：

但将Transformer推广到3D点云，相关研究还非常少。

为此，团队自己做出了一种Transformer模型，并创新了其中的一些结构，将之适配到了点云上。

将Transformer推广到点云上

点云是一个坐标系下点的数据集，包括坐标、颜色、强度等多种信息。

而3D点云，则是用点云表示三维世界的一种方法，可以想象成将三维物体进行原子化，用多个点来表示一种物体。

之所以3D建模采用点云这种方法，是因为它不仅建模速度快，而且精度高、细节更准确。

点云的生成方法，也符合激光雷达收集数据的特性，目前已经被用于自动驾驶技术中。

那么，为什么要用Transformer生成点云呢？

由于点云数据自身的不规则性和无序性，此前无法直接用卷积神经网络对点云进行处理。

如果想用深度学习处理点云相关的任务，就会非常不方便。

但当研究者们将目光放到Transformer上时，发现它的核心注意力机制，本身其实非常适合处理点云。

点云处理，需要设计一种排列不变、且不依赖于点之间连接关系的算子；注意力机制本身，就是这种算子。

加之Transformer在之前的图像任务上，都已经取得了非常不错的性能，用来做点云的话，说不定效果也不错。

因此，团队开发了一个名叫PCT（Point Cloud Transformer）的点云Transformer，成功实践了这一点。

网络结构整体分为三部分：输入嵌入、注意力层和分类分割。

输入嵌入部分的目的，是将点云从欧式空间xyz映射到128维空间。这里分为两种嵌入的方式，点嵌入和邻域嵌入，点嵌入负责单点信息，邻域嵌入则负责单点和邻域信息。

在注意力层中，作者采用了自注意力（self-attention）机制和偏置注意力（offset-attention）机制。

其中，offset-attention也是这篇论文的创新之处，作者为了让Transformer的注意力机制能更好地作用于点云，提出了这种注意力机制，性能要比自注意力机制更好。

而在分类分割操作上，作者选择对经过注意力层后的特征直接进行池化（采样），再分别进行分类和分割的下一步操作。

那么，这样的网络结构，是否效果真如想象中那么好？

参数少一半，效果还更好

事实上，从分类和分割的效果上来看，图像做得都还不错。

先看分类的效果，在ModelNet40数据集上的分类结果表明，PCT的分类精度可以达到93.2%，超越了目前所有点云的分类模型。

而在3D点云分割的效果上，模型做得也不错。

从注意力图（attention map，标量矩阵，查看层的重要性）的可视化来看，模型分割的边缘和形状也很清晰。

那么，与其他网络对比的分割效果如何呢？

下图是PCT与其他网络对比的效果。

从16类列出的物体检测精确度来看，PCT的效果达到了86.4%的水平，超过了目前所有3D点云分割的最新模型，同样达到了SOTA。

至于模型参数，最终的结果也非常不错。

其中参数最大的PCT，精度也达到了最高的93.2%，如果更侧重于小型参数量，那么NPCT和SPCT则在1.36M参数的情况下，精确度分别达到了91%和92%。

从实际对比情况来看，三种PCT网络结构的分割效果，都要比PointNet的效果好得多（最右边为初始模型）。

作者介绍

6名作者来自清华大学胡事民团队，卡迪夫大学。

清华大学计算机系的图形学实验室成立于1998年3月，相关论文曾多次在ACM SIGGRAPH、IEEE CVPR等重要国际刊物上发表。

实验室目前的主要研究方向为计算机图形学、计算机视觉、智能信息处理、智能机器人、系统软件等。

一作国孟昊，清华大学CS博士在读，来自胡事民团队。

国孟昊曾经是西安电子科技大学软件工程2016级本科生，大二曾获ACM金牌，数学建模美赛一等奖，在腾讯、商汤实习过。

目前，这一模型的相关代码已经开源，感兴趣的小伙伴可以戳文末地址查看~

PCT论文地址：
https://arxiv.org/abs/2012.09688

PCT项目地址：
https://github.com/MenghaoGuo/PCT

参考链接：
https://mp.weixin.qq.com/s/76fJy69LELdndbSqpbvRbw

“