一、A-SCN

原文链接：Attentional ShapeContextNet for Point Cloud Recognition | IEEE Conference Publication | IEEE Xplore

        这篇文章提出了一个新的网络结构SCN（本文不过多关注）：

      引入注意力后即A-SCN。下图为A-SCN块结构（图中标注的第一个好像应为）：

二、Point Attention

原文链接：https://arxiv.org/pdf/1909.12663.pdf

        本文提出了新的网络结构LAE-Conv，然后将其输出特征输入到下列结构：

        将上述注意力机制嵌入网络中，得到本文的Point Attention网络如下：

 三、CAA

原文链接：https://arxiv.org/pdf/1911.12885.pdf

        同样也是先提出一种网络结构，再将特征输入下图所示的CAA模块：

该图大致分为三行，第一行包含CCC块和CAE块：

图中第三行使用残差连接，并学习一个权重来使学习变得容易。最终的输出为

四、Offset Attention

原文链接：https://arxiv.org/pdf/2012.09688.pdf

        同样先提出PCT（点云Transformer）结构，这里仅关注其中的注意力部分。

        Offset Attention图示：

图中两个开关均往上时为自注意力（SA）；均往下时为offset attention；LBR表示线性层，BN和ReLU。

五、Point Transformer

原文链接：https://arxiv.org/pdf/2012.09164.pdf