集自注意力与边卷积的点云分类分割模型

摘要：

点云数据的无序性、非结构化、离散的特点使得点云分类仍具有挑战性,针对点云特征提取中无法捕获各点之间的局部结构信息和各区域之间的空间信息的问题,提出了一种自注意力与边卷积的点云分类分割网络——Self Attention DGCNN.Self Attention DGCNN云分类分割网络首先将单层边卷积和自注意力机制相结合,分别提取点云数据的局部特征和上下文特征,然后将这两部分特征进行融合传递到下一层再进行特征抽取,并将各层获取的特征加入到全局特征表示中,从而加强物体整体特征的捕获.在ModelNet40数据集和ShapeNet数据集上分别进行了点云分类,部件分割实验.实验结果表明,在ModelNet40数据集上,Self Attention DGCNN网络的总体精度(OA)达到了93.5%,平均精度(mAcc)达到了90.8%.在总体精度上,相较于PointNet、PointNet++、动态图卷积(dynamic graph CNN for learning on point clouds,DGCNN)分别高出4.3、2.8、0.6个百分点.在ShapeNet数据集上的平均并交比(mIoU)达到了86.1%,相较于PointNet、PointNet++、DGCNN网络分别高出2.4、1.0、0.9个百分点,相比其他深度学习网络也有不同程度的提高.

关键词：点云分类、点云分割、自注意力、神经网络、深度学习

所属期刊栏目：59

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;广西创新驱动发展专项资金项目;广西科技基地和人才专项

在线出版日期：2023-10-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：106-113