基于拓扑感知和通道注意力的点云分类与分割
摘要
针对基于深度学习点云处理方法因浅层几何信息提取不充分、高层级语义特征损失导致分类分割效果不佳的问题，提出一种基于拓扑感知和通道注意力的点云分类分割网络，从信息扩增及特征增强两方面提升点云分类分割的准确性。首先，针对点云数据无序性导致的浅层信息特征表达弱的问题，利用局部最小三角策略构建了点云数据与邻域点的拓扑关系；然后，构建了残差多层感知器模块以提取更为精细的的局部几何特征；最后，采用混合池化对局部信息进行特征聚合，并结合通道亲和注意力机制减少网络中的特征损失。分别在ModelNet40、ScanObjectNN、ShapeNet Part以及S3DIS数据集上进行了大量对比实验，分类任务上总体分类精度分别达到了93.6%、85.6%，分割任务上平均交并比分别达到了85.8%、63.7%，实验结果证明了所提方法在点云分类分割方面性能优异。
引用本文（GB/T 7714）
刘鑫 Liu Xin, 陈春梅 Chen Chunmei, 邓豪 Deng Hao, 等. 基于拓扑感知和通道注意力的点云分类与分割[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。