结合偏移自注意力机制和残差连接的点云分类

摘要：

现有基于深度学习的点云分类网络通常无法有效利用点云特征间的相关信息,并且存在鲁棒较低的问题.为了提高点云分类网络对有效特征的提取能力,增强模型鲁棒性,本文提出了一种结合偏移自注意力机制和残差连接的点云分类网络.首先在PointCNN基础上引入偏移自注意力模块,更好地关注于有效特征;然后引入残差网络的思想,在注意力层增加残差连接,将残差连接和注意力层的输出特征进行融合形成点云特征;最后使用多层感知机对点云特征进行分类.将本文模型与PointNet、PointCNN、DGCNN等其他点云分类模型在ModelNet40数据集上进行对比实验,结果表明本文网络的分类效果更好,获得了最高的分类准确率92.9％,相比于PointCNN提升了0.7％.在鲁棒性实验中,本文网络相比于PointCNN,在稀疏点云上的总体分类准确率提升了2.4％,在噪声点云上提升了11.6％,表明本文网络具有更好的鲁棒性.

关键词：深度学习、点云分类、注意力机制、残差连接

所属期刊栏目：53

分类号：TP391.41;TN249(计算技术、计算机技术)

资助基金：国家重大项目;上海市科委高新技术基于多源信息的城市内涝应急设施智慧调度研究项目;多维时空变数据驱动的WebVR+AI关键技术研发项目

在线出版日期：2023-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1177-1185