激光与红外

作者：周锐闯

单位：上海工程技术大学 电子电气工程学院,上海 201620；

关键词：深度学习;图卷积神经网络;多层池化;点云分类

基金：国家基金委民航联合基金重点项目(No.U2033218)资助。

针对基于图卷积的点云分类模型在提取点云不同语义区域的特征信息以及高效利用聚合的高维特征方面存在的问题,本文提出了一种新的点云分类模型,该模型采用了动态自适应图卷积和多层池化相结合的方法。具体而言,本文采用了残差结构来构建更深层的卷积,以学习不同语义区域点对特征中不同层次的特征信息,从而生成动态自适应调整卷积核,针对不同的点对动态更新边的特征关系,从而提取更为精确的局部特征。同时,本文将聚合的高维特征输入到多层最大池化模块中,回收利用第一次最大池化后丢弃的特征信息进行多层最大池化,从而获取更为丰富的高维特征,提高分类模型的精度。实验结果表明,在ModelNet40数据集上,本文提出的分类模型的总体精度达到933,平均精度为907,明显优于目前主流的点云分类模型,并具有较强的鲁棒性。

来源：2024年第2期

《激光与红外》期刊编辑部

查看激光与红外杂志2024年第2期