深度学习在3D点云分类中的应用

摘要

随着三维感知技术快速发展，点云数据已广泛应用于三维物体识别、场景理解等多个领域，设计和优化高效的点云处理网络已成为研究热点和技术难题。针对传统PointNet++模型局部特征提取能力不足、特征融合不充分，导致点云分类精度受限的问题，提出一种改进的PointNet++模型，通过引入KAN模型来增强局部特征的提取和融合能力，从而提升分类性能。KAN模型以样条单变量函数替代传统线性权重结构，摒弃多层感知机固有局限，强化网络对点云局部细粒度特征的捕捉与多尺度特征融合能力，同时提升模型可解释性与特征表征精度。实验基于ModelNet10数据集进行分类性能对照，实验结果表明，融入KAN结构的改进模型能够有效挖掘点云深层局部特征，相较原始模型分类准确率实现显著提升。研究结论证实，KAN可有效优化PointNet++的特征提取机制，能够明显增强模型对点云数据的表征能力，为三维点云分类任务提供一种高效可行的网络改进方案，也为后续点云深度学习模型优化提供参考思路。

关键词

PointNet++ / KAN / 深度学习 / 点云分类 / 局部特征提取 / 多尺度特征融合 / ModelNet10数据集

基金资助

国家自然科学基金项目(62302211); 江苏省大学生科技创新项目(202411276133Y); 南京工程学院校级基金项目(TB202406014)