一种鲁棒的多特征点云分类分割深度神经网络

摘要：

现有的深度学习方法在处理点云分割任务时,难以有效地学习点云的局部特征,存在分类分割精度低和鲁棒性差的问题.构建深度神经网络RMFP-DNN用于多特征点云分类分割.分别利用自注意力模块和多层感知机提取点云的局部特征和全局特征,并将两者相互融合,提高分类分割的准确率和鲁棒性.实验结果表明,RMFP-DNN平均分类准确率和整体分类准确率分别为88.9％和92.6％,与PointNet、PointNet++、DGCNN等方法相比,准确率较高且鲁棒性较好.

关键词：深度学习;点云;鲁棒性;自注意力;特征融合

所属期刊栏目：47

分类号：TP391(计算技术、计算机技术)

资助基金：江苏省高校自然科学研究计划项目05KJD520146

在线出版日期：2021-11-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：234-240