融合门控自校准机制和图卷积网络的点云分析

摘要：

与密集网格表示的图像不同,点云自身具有不规则和无序性的特点,因而如何准确地推理出点云数据中的形状特征是一项具有挑战性的工作.为解决当前研究存在的不足,提出了点集内-外形状卷积(IE-Conv).该卷积利用高效的双边结构将点集内的局部形状与点集外的全局形状分开处理,在点集内部,基于门控的方式有选择地学习丰富的点间关系,同时利用自校准功能优化逐点与局部特征;在点集外部,通过图卷积构建全局图形,并聚焦于点集之间的远程依赖关系;最后将双边输出有机融合起来.将IE-Conv分层嵌入形状推理卷积网络中(SR-Net),并在标准ModelNet40和ShapeNet数据集上进行分类与分割实验.实验结果表明,分类任务精度达到93.9％,分割任务平均交并比达到86.4％,验证了 SR-Net在点云分析中的良好性能.

关键词：图像处理、点云分类与分割、深度学习、图卷积、多特征融合

所属期刊栏目：59

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：192-203