弱监督学习下的三维点云模型簇协同分割

摘要：

随着三维采集技术的快速发展,点云数据逐渐成为表示三维模型的基本数据格式之一,它可以保留模型的更多三维空间几何信息.但在三维点云模型分割研究中,大多深度学习网络架构依赖于高质量标注的数据,导致训练成本高昂.因此,针对利用带少量标注点的训练样本实现三维模型簇协同分割的问题,提出一种基于弱监督学习的三维点云模型簇协同一致分割方法.首先,通过K近邻算法建立点之间的局部邻域图;然后,利用局部卷积方法提取点云模型的部件特征并构建相似部件矩阵;最后,通过能量函数反向传播优化网络权值,获得模型簇的一致性分割结果.实验结果表明,该算法在公开数据集ShapeNet Parts上的分割准确率达到85.0％.与现有的有监督算法相比,该算法在训练样本标签数减少至10％的情况下依然能够取得与有监督学习方法接近甚至更好的分割结果,并且与目前主流的弱监督算法相比,分割准确率得到进一步提升.

关键词：模型簇、协同分割、弱监督学习、局部卷积、能量函数

所属期刊栏目：16

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;甘肃省科技计划;兰州市人才创新创业项目;兰州交通大学天佑创新团队项目

在线出版日期：2022-09-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2121-2131