对融合特征敏感的三维点云识别与分割

摘要

三维点云分类分割网络忽视了融合特征中的冗余信息，缺乏放大有效特征占比能力，不能充分挖掘特征的表达性。在CurveNet网络基础上，提出了一种能够筛选和丰富融合特征的方法，对点云的识别与分割效果达到了较先进水平。首先，提出了对融合特征具有筛选能力的特征选择子网络，利用结合了打分机制的TopK算子选出包含有效信息的融合特征，并且能够自适应地赋予被选特征权重。其次，在聚合曲线特征模块中增加了两个新分支，分别学习曲线内部点距离特征和曲线之间的线距离特征，通过快速通道相关性注意力机制提取各分支的内部相关性，增强了网络特征的信息描述能力。实验结果表明，分类任务在ModelNet40数据集上准确率达到了93.8%,分割任务在ShapeNet Part数据集上平均交并比达到了86.4%。与基准网络相比，分类效果与分割效果均有所提高，证明了算法的有效性。

关键词

三维点云 / 融合特征筛选 / 曲线特征 / 注意力机制 / 分类分割

基金资助

江苏省前沿引领技术基础研究专项项目(BK20192004C)