GCA-RDDGCN:基于动态图卷积的工件点云实例分割网络

摘要

针对堆叠工件之间互相遮挡导致的点云特征不完整，且同类工件重叠部分实例难以区分的问题，提出一种基于动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)的工件点云实例分割网络GCA-RDDGCN(graph-channel attention-residual dilated dynamic graph convolutional network).该网络构建了新型点云特征提取模块GCA-RDDGC,通过将动态图卷积模块重构为残差结构避免网络退化问题，引入点云空洞卷积扩大感受野以捕捉多尺度上下文信息，嵌入图-通道联合注意力模块(graph-channel attention module, GCAM)用于聚合局部几何特征和通道信息.最后，采用基于中心点的快速聚类算法FPCC(fast point cloud clustering),实现工件实例的快速分割.在Fraunhofer IPA Bin-Pinking和XA Bin-Pinking数据集上的实验结果显示，相较于主流方法FPCC-Net, GCA-RDDGCN的精确率平均提高4.44百分点，召回率平均提高1.93百分点，可以实现普通工件的无序抓取.

关键词

无序抓取 / 点云实例分割 / 动态图卷积 / 注意力模块 / 快速聚类算法