MSP-Net:多尺度点云分类网络

摘要：

针对传统点云分类网络难以充分发挥卷积神经网络优势的问题, 提出一种多尺度点云分类网络 MSP-Net. 首先, 基于局部区域划分的完备性、自适应性、重叠性及多尺度特性要求, 提出了多尺度局部区域划分算法, 并以点云及不同层次的特征为输入, 得到多尺度局部区域; 然后构建了包含单尺度特征提取、低层次特征聚合及多尺度特征融合等模块的多尺度点云分类网络. 该网络充分地模拟了卷积神经网络的作用原理, 具备随着网络尺度和深度的增加,局部感受野越来越大, 特征抽象程度越来越高的基本特征. 最后将该算法应用在标准公开数据集 ModelNet10 和ModelNet40上, 分别取得了94.71%和91.73%的分类准确率, 表明该算法在同类工作中处于领先或相当的水平, 验证了算法思想的可行性及有效性.

关键词：多尺度点云、三维模型分类、深度学习、多尺度分类网络

所属期刊栏目：31

分类号：TP391.41(计算技术、计算机技术)

资助基金：北方民族大学2019年重点科研项目2019KJ27;国家自然科学基金61762003,61502129;宁夏自然科学基金2018AAC03124;中国科学院"西部之光"人才培养引进计划;宁夏高等学校一流学科建设电子科学与技术:NXYLXK2017A07;北方民族大学创新项目YCX18056

在线出版日期：2019-12-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1917-1924