摘要
【目的】林木点云数据具有边界模糊、空间分布不均的特点,经典PointNet++网络对林木点云邻域特征的关注有局限性,存在原点云的邻接关系未能捕捉全面、不能很好地进行分割的问题,因此改善对林木的分割效果十分重要。【方法】提出了一种基于Transformer-PointNet++的点云语义分割网络,在经典PointNet++网络的中间层引入了Transformer结构,利用自注意力机制优化特征提取,核心思想是将点云中的每个点作为输入,在下采样层以及输出层利用自注意力机制对点云进行全局的特征交互和信息聚合,改善了经典PointNet++对于邻域特征的信息关注。在此基础上,采用了开源ModelNet40点云集合和自建林木点云数据集,分别投入到经典PointNet++网络、DST-PointNet++、B-PointNet++和TF-PointNet++网络进行实验,用于测试改进后网络模型的效果。【结果】TF-PointNet++在开源ModelNet40数据集和自建林木点云数据集上皆有更好的表现。在ModelNet40上,OA达到了94.08%,较PointNet++提升了4.04个百分点;在自建数据集上,OA达到了82.52%,较PointNet++提升了26.24个百分点,mIoU达到了85.67%,提升了11.21个百分点。【结论】TF-PointNet++网络可以使模型更好地理解和利用整个点云的上下文信息,从而提升语义分割的准确性和全局一致性。本研究证明了TF-PointNet++网络在处理语义分割任务中的有效性和先进性,对于提升林木点云数据的语义分割效果具有重要意义。
