L’attenzione focalizzata sui punti incontra lo spazio degli stati a scansione del contesto: percezione visiva biologica robusta per la rappresentazione delle nuvole di punti

Abstract degli autori

Cogliere in modo sinergico le complesse strutture locali e le dipendenze contestuali globali è diventata una sfida cruciale nell’apprendimento delle rappresentazioni delle nuvole di punti. Per affrontarla, presentiamo PointLearner, una rete per l’apprendimento delle rappresentazioni delle nuvole di punti strettamente ispirata alla visione biologica, che impiega una strategia di elaborazione attiva ispirata alla visione foveale e consente così di modellare la geometria locale e, al tempo stesso, le interazioni tra dipendenze a lungo raggio. Innanzitutto, progettiamo un meccanismo di attenzione focalizzata sui punti che simula la visione foveale nel punto di fissazione visiva mediante un meccanismo di attenzione competitiva normalizzata tra i punti vicini locali e le caratteristiche sottocampionate spazialmente. Queste caratteristiche sono estratte con un metodo di pooling basato su punti induttori apprendibili, che può adattarsi con flessibilità alla distribuzione non uniforme delle nuvole di punti, poiché il numero di punti induttori è controllato e questi interagiscono direttamente con le nuvole di punti. In secondo luogo, proponiamo uno spazio degli stati a scansione del contesto che imita l’inferenza saccadica dell’occhio e deduce la struttura semantica complessiva e il contenuto spaziale della scena attraverso un percorso di scansione guidato dalla curva di Hilbert per l’S6 bidirezionale. Grazie a questa architettura biomimetica che passa dalla focalizzazione al contesto, PointLearner dimostra una notevole robustezza e ottiene prestazioni all’avanguardia in diversi compiti basati sulle nuvole di punti.