深度图注意力CNN的三维模型识别

摘要：

针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征,可能造成几何形状极其相似,局部细节信息略有不同的类识别混淆的问题,提出一种基于深度图注意力卷积神经网络的三维模型识别方法.首先,通过引入邻域选择机制挖掘三维模型的细粒度局部特征.其次,通过空间上下文编码机制捕捉多尺度空间上下文信息,且与细粒度局部特征相互补偿以增强特征的完备性.最后,采用一种多头部机制,使图注意力卷积层聚合多个单头部的特征以增强特征的丰富性.此外,设计选择性丢弃算法,根据度量权重值对神经元重要性进行排序,智能地丢弃重要性较低的神经元来防止网络过拟合.算法在ModelNet40数据集上的三维模型识别准确率达到了92.6％,且网络复杂度较低,在三维模型识别准确率和网络复杂度之间达到最佳平衡,优于当前主流方法.

关键词：机器视觉、三维模型识别、图注意力卷积层、卷积神经网络(CNN)、选择性丢弃

所属期刊栏目：15

分类号：O436;TP391(光学)

资助基金：国家自然科学基金;甘肃省科技计划资助

在线出版日期：2021-01-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：141-149