融合图卷积和差异性池化函数的点云数据分类分割模型
目的 深度网络用于3维点云数据的分类分割任务时,精度与模型在全局和局部特征上的描述能力密切相关.现有的特征提取网络,往往将全局特征和不同尺度下的局部特征相结合,忽略了点与点之间的结构信息和位置关系.为此,通过在分类分割模型中引入图卷积神经网络(graph convolution neural network,GCN)和改进池化层函数,增强局部特征表征能力和获取更丰富的全局特征,改善模型对点云数据的分类分割性能.方法 GCN模块通过K近邻算法构造图结构,利用相邻点对的边缘卷积获取局部特征,在深度网络模型中动态扩展GCN使模型获得完备的局部特征.在池化层,通过选择差异性的池化函数,联合提取多个全局特征并进行综合,保证模型在数据抖动时的鲁棒性.结果 在ModelNet40、ShapeNet和S3DIS(stanford large-scale 3D indoor semantics)数据集上进行分类、部分分割以及语义场景分割实验,验证模型的分类分割性能.与PointNet相比,在ModelNet40分类实验中,整体精度和平均分类精度分别提升4％和3.7％;在ShapeNet部分分割数据集和S3DIS室内场景数据集中,平均交并比(mean intersection-over-union,mIoU)分别高1.4％和9.8％.采用不同的池化函数测试结果表明,本文提出的差异性池化函数与PointNet提出的池化函数相比,平均分类精度提升了0.9％,有效改善了模型性能.结论 本文改进的网络模型可以有效获取点云数据中的全局和局部特征,实现更优的分类和分割效果.
点云、深度学习、图卷积神经网络(GCN)、差异性池化函数、分类分割、联合特征
25
TP391(计算技术、计算机技术)
国家自然科学基金项目;河南省教育厅项目;河南理工大学教改项目
2020-08-03（万方平台首次上网日期，不代表论文的发表时间）
共8页
1201-1208
