point transformer pytorch

Transformateur de points - Pytorch

Implémentation de la couche d'auto-attention Point Transformer, dans Pytorch. Le circuit simple ci-dessus semble avoir permis à leur groupe de surpasser toutes les méthodes précédentes en matière de classification et de segmentation des nuages ​​de points.

Installer

$ pip install point-transformer-pytorch

Usage

 import torch
from point_transformer_pytorch import PointTransformerLayer

attn = PointTransformerLayer (
    dim = 128 ,
    pos_mlp_hidden_dim = 64 ,
    attn_mlp_hidden_mult = 4
)

feats = torch . randn ( 1 , 16 , 128 )
pos = torch . randn ( 1 , 16 , 3 )
mask = torch . ones ( 1 , 16 ). bool ()

attn ( feats , pos , mask = mask ) # (1, 16, 128)

Ce type de vecteur d’attention est beaucoup plus coûteux que le traditionnel. Dans l’article, ils ont utilisé les k voisins les plus proches des points pour exclure l’attention sur les points éloignés. Vous pouvez faire la même chose avec un seul paramètre supplémentaire.

 import torch
from point_transformer_pytorch import PointTransformerLayer

attn = PointTransformerLayer (
    dim = 128 ,
    pos_mlp_hidden_dim = 64 ,
    attn_mlp_hidden_mult = 4 ,
    num_neighbors = 16          # only the 16 nearest neighbors would be attended to for each point
)

feats = torch . randn ( 1 , 2048 , 128 )
pos = torch . randn ( 1 , 2048 , 3 )
mask = torch . ones ( 1 , 2048 ). bool ()

attn ( feats , pos , mask = mask ) # (1, 16, 128) 

Citations

 @misc { zhao2020point ,
    title = { Point Transformer } , 
    author = { Hengshuang Zhao and Li Jiang and Jiaya Jia and Philip Torr and Vladlen Koltun } ,
    year = { 2020 } ,
    eprint = { 2012.09164 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}