基于偏置注意力机制的轻量级点云分类模型
摘要
3D点云能提供准确的3D几何信息，因此在机器人、自动驾驶和增强现实等领域中得到了广泛应用。目前点云分类模型通过不断增加参数量来提升性能，这一趋势导致了模型复杂性和计算时间的增加。针对上述问题，设计了一种基于偏置注意力机制的轻量级点云分类模型Point-PT。该模型通过简单的位置编码和线性层构造局部特征聚合模块来提取点云的局部特征，并嵌入偏置注意力机制，以此筛选局部特征并提取关键信息。实验结果表明：当模型参数量仅为0.4 Mbit时，相较于PointMLP计算速度加快了12倍，在参数量方面减少为原来的1/32，总体准确率为92.9%；当模型参数量为0.8 Mbit时，总体准确率提升至93.9%，相较于PointNet++、PCT（Point cloud transformer）、PointPN与DGCNN（Dynamic graph convolutional neural network），分别提高了2.0、0.7、0.1、1.0百分点。实验结果表明该模型具有较高的准确率和较低的模型复杂性。
引用本文（GB/T 7714）
杨磊成 Yang Leicheng, 杜玉红 Du Yuhong, 董广宇 Dong Guangyu. 基于偏置注意力机制的轻量级点云分类模型[J]. Laser & Optoelectronics Progress, 2025.
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。