一种面向低采样率的点云数据处理网络

摘要：

在直接处理点云的三维神经网络中,采样阶段实现了对原始点云中关键点的筛选,对于整个网络的性能及网络的抗噪能力具有重要作用.目前主流的最远点采样(FPS)方法在处理大规模3D点云数据时计算量大且耗时,并且低采样率时经过FPS采样后模型性能下降明显.针对这两个问题,提出一种面向低采样率的点云数据处理网络AS-Net.设计一个新的采样模块代替原backbone中的FPS,其由两个Layer组成,每个Layer基于长短期记忆网络获取原始点云与采样点云之间的联系权重,从而高效提取关键信息,去除冗余信息.在此基础上,利用注意力机制选择特征值较高的原始点云作为采样点,采样点作为后序任务的关键点输入到网络,进一步提高网络模型性能.基于ModelNet40数据集的实验结果表明,在低采样率条件下,AS-Net仍可达到81.6％的分类准确率,与使用FPS作为采样方法的网络模型相比提高52.7％.此外,其对噪声干扰具有很强的鲁棒性,对于大场景的分割时间效率优于同类采样方法.

关键词：点云、采样、最远点采样、长短期记忆网络、注意力机制

所属期刊栏目：48

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;湖北省自然科学基金青年项目;湖北省技术创新专项重大项目

在线出版日期：2022-11-16（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：240-246