成果名称：基于空间注意力机制的上下文敏感三维兴趣点检测识别算法

成果简介：自动检测和识别海量任意三维模型上的兴趣点是三维模型形状分析领域中的一个基本问题，对实现机器对任意三维形状的自动语义理解具有关键意义，在机器人自动抓取物体等多种场景中具有重要应用价值。传统基于学习的检测方法通常依赖于每个顶点的几何特征来区分兴趣点和其他顶点。注意到兴趣点不仅与自身的几何特征相关，还与周围顶点的几何特征相关，我们提出了一种采用空间注意力机制的上下文感知三维兴趣点检测新算法。通过设计上下文注意力模块，我们的方法能够在提取兴趣点时同时考虑顶点的几何特征及其局部上下文信息，并以数据驱动的方式自适应地为这些特征分配不同的权重。在SHREC 2007、SHREC 2011和SHREC 2014等学术界公开数据集上的大量实验结果表明，我们的方法比传统方法具有更优越的检测性能。该项成果以舒振宇教授为第一作者，于2023年发表在国际计算机领域权威学术期刊《ACM Transactions on Multimedia Computing, Communications, and Applications》上。

图1 算法整体流程

图2 算法检测结果