采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。

基于上下文注意力CNN的三维点云语义分割

针对三维点云语义分割中缺乏结合点云的上下文细粒度信息导致的欠分割问题,提出一种基于上下文注意力卷积神经网络的三维点云语义分割算法。首先,通过注意力编码机制挖掘点云的局部区域内细粒度特征;然后,通过上下文循环神经网络编码机制捕捉多尺度局部区域之间的上下文特征,且与细粒度局部特征相互补偿;最后,采用多头部机制增强网络的泛化能力。实验结果表明,所提算法在ShapeNet Parts、S3DIS和vKITTI标准数据集上的平均交并比分别为85.4%、56.7%和38.1%,分割性能良好,且具有较好的泛化能力。

多特征融合的三维模型识别与分割

针对现有的基于深度学习的三维模型识别与分割方法忽略了三维模型高级全局单点特征和低级局部几何特征之间的关系而导致识别效果不佳的问题,提出了一种多特征融合的三维模型识别与分割方法。首先,通过加深卷积核的宽度和网络的深度构建全局单点网络以提取具有高级语义识别能力的全局单点特征;其次,通过构建注意力融合层学习全局单点特征和局部几何特征的隐含关系来充分挖掘更能表征模型类别的细粒度几何特征;最后,将全局单点特征和细粒度几何特征进一步融合,达到优势互补、增强特征丰富性的目的。分别在三维模型识别数据集ModelNet40、ModelNet10和分割数据集ShapeNet Parts、S3DIS、vKITTI上进行了实验验证,并与当前主流识别算法进行了对比,表明该算法不仅有更高的识别和分割准确率,而且具有更强的鲁棒性。

深度图注意力CNN的三维模型识别

针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征,可能造成几何形状极其相似,局部细节信息略有不同的类识别混淆的问题,提出一种基于深度图注意力卷积神经网络的三维模型识别方法。首先,通过引入邻域选择机制挖掘三维模型的细粒度局部特征。其次,通过空间上下文编码机制捕捉多尺度空间上下文信息,且与细粒度局部特征相互补偿以增强特征的完备性。最后,采用一种多头部机制,使图注意力卷积层聚合多个单头部的特征以增强特征的丰富性。此外,设计选择性丢弃算法,根据度量权重值对神经元重要性进行排序,智能地丢弃重要性较低的神经元来防止网络过拟合。算法在ModelNet40数据集上的三维模型识别准确率达到了92.6%,且网络复杂度较低,在三维模型识别准确率和网络复杂度之间达到最佳平衡,优于当前主流方法。