基于动态图卷积网络的点云分类和分割网络
点云分类和分割是三维场景理解中的关键步骤.针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN.在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换网络以简化网络结构;引入深度残差网络的思想连接不同网络层的输出特征,形成点云特征,同时使网络训练更加稳定.基于ModelNet40和ShapeNet Parts数据集将该网络与其他点云网络进行对比实验,实验结果表明,该网络在稀疏点云输入和遮挡情况下,相比其他方法有较高的点云分类和分割精度,由此说明该网络具有较强的鲁棒性.
机器视觉、深度学习、点云分类与分割、图卷积神经网络、深度残差网络
58
TP391.41(计算技术、计算机技术)
国家自然科学基金;陕西省自然科学基金;中央高校复杂城市环境下GPS非视距多径智能实时抑制方法研究
2021-08-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
454-461