10.3778/j.issn.1002-8331.2112-0412
集图卷积和三维方向卷积的点云分类分割模型
现有的深度学习方法在提取点云的局部特征时往往忽略了节点间的位置关系和方向信息,导致不能有效地学习点云的局部特征.为解决这一问题,提出一种集图卷积和三维方向卷积的点云分类分割模型GCN3D.GCN3D模型将图卷积神经网络应用在点云分类分割领域.将点云视作图上的节点,对每个节点求其K近邻,建立局部K近邻邻域内两两节点之间的边,并通过图卷积神经网络参数化边特征以捕捉节点间局部位置关系并更新中心节点特征;使用方向编码模块将节点的邻域划分为八个方位的细粒度的邻域小块,并按照三维空间坐标轴的方向依次将局部邻域结构内的节点特征映射到不同细粒度邻域空间内以提取节点间的方向信息,并且叠加两个方向编码模块增大网络的感受野,提高模型对于稀疏点云数据的鲁棒性并获取局部邻域多尺度特征.在ModelNet40数据集和ShapeNet数据集上分别进行点云分类和点云部分分割的实验.结果表明,相比没有考虑局部特征信息的PointNet,GCN3D模型在ModelNet40数据集上的总体分类精度提高了3.8个百分点,平均分类精度提高了4.3个百分点;在ShapeNet数据集上的平均交并比提高了1.5个百分点.相比其他深度学习模型性能有不同程度的提高.
点云、分类分割、图卷积神经网络、三维方向卷积、细粒度邻域、多尺度
59
TP391(计算技术、计算机技术)
国家自然科学基金;江西省自然科学基金;江西理工大学研究生创新专项资金项目
2023-04-27(万方平台首次上网日期,不代表论文的发表时间)
共10页
182-191