基于K近邻卷积神经网络的点云模型识别与分类
为了进一步提高大规模多种类点云模型识别与分类的准确率,提出了一种K近邻卷积神经网络模型.首先,利用最远点采样算法对点云模型均匀采样;其次,对采样后的点云模型用K近邻算法构建每个点的局部邻域,为防止信息的非局部扩散,对卷积层提取的特征也逐个建立局部邻域;然后,通过最大池化聚合所有局部特征得到点云模型的全局特征表示;最后,用全连接层与Softmax函数计算各类别对应的概率并分类.实验结果表明,本算法在公开数据集ModelNet40上的识别准确率为92%.与已有的点云模型识别与分类算法相比,能更有效地融合局部结构特征,提高点云模型识别与分类的准确率.
机器视觉、模型识别、K近邻、局部特征、缩放指数线性单元函数
57
TP391.4(计算技术、计算机技术)
国家自然科学基金61862039
2020-07-02(万方平台首次上网日期,不代表论文的发表时间)
共9页
347-355