结合动态图卷积和空间注意力的点云分类与分割
目的 随着3维采集技术的飞速发展,点云在计算机视觉、自动驾驶和机器人等领域有着广泛的应用前景.深度学习作为人工智能领域的主流技术,在解决各种3维视觉问题上已表现出巨大潜力.现有基于深度学习的3维点云分类分割方法通常在聚合局部邻域特征的过程中选择邻域特征中的最大值特征,忽略了其他邻域特征中的有用信息.方法 本文提出一种结合动态图卷积和空间注意力的点云分类分割方法(dynamic graph convolu-tion spatial attention neural networks,DGCSA).通过将动态图卷积模块与空间注意力模块相结合,实现更精确的点云分类分割效果.使用动态图卷积对点云数据进行K近邻构图并提取其边特征.在此基础上,针对局部邻域聚合过程中容易产生信息丢失的问题,设计了一种基于点的空间注意力(spatial attention,SA)模块,通过使用注意力机制自动学习出比最大值特征更具有代表性的局部特征,从而提高模型的分类分割精度.结果 本文分别在Model-Net40、ShapeNetPart和S3DIS(Stanford Large-scale 3D Indoor Spaces Dataset)数据集上进行分类、实例分割和语义场景分割实验,验证模型的分类分割性能.实验结果表明,该方法在分类任务上整体分类精度达到93.4％;实例分割的平均交并比达到85.3％;在室内场景分割的6折交叉检验平均交并比达到59.1％,相比基准网络动态图卷积网络分别提高0.8％、0.2％ 和3.0％,有效改善了模型性能.结论 使用动态图卷积模块提取点云特征,在聚合局部邻域特征中引入空间注意力机制,相较于使用最大值特征池化,可以更好地聚合邻域特征,有效提高了模型在点云上的分类、实例分割与室内场景语义分割的精度.
点云;动态图卷积;空间注意力(SA);分类;分割
26
TP391(计算技术、计算机技术)
国家重点研发计划项目;国家自然科学基金项目;上海科委部分地方高校能力建设项目
2021-11-24（万方平台首次上网日期，不代表论文的发表时间）
共12页
2691-2702
