基于邻域参与的形状感知卷积网络的点云分析

点云作为三维传感器的主要输出,在许多领域有着广泛的应用.但是,由于点云中点的不规则性,使得它不像二维图像那样,可以直接使用深度网络进行分析处理.提出了一种新的直接在点云上进行深度卷积的方式——邻域参与的形状感知卷积.对于给定邻域,首先通过多层感知器(Multi-layer Perceptron,MLP)对邻域内每一点提取点特征,然后利用平均池(Average Pooling)操作获得邻域的全局特征,再将全局特征与点特征串联,并通过MLP学习出与输入特征维度相同的权重.利用权重对输入特征进行加权,最终通过最大池(Max Pooling)和MLP得到邻域的特征描述.实验结果表明,算法能够提高三维点云分类和语义分割的准确率.在ModelNet40数据集上的分类准确率为93.2%,在ShapeNet Parts数据集上语义分割的平均交并比为86.4%.

通过对比学习优化深度拟合的点云法向估计

近年来,以当前点的邻域作为输入,利用深度网络估计逐点权重进行加权最小二乘曲面拟合的算法,在法向估计上取得了当前领先的结果。本文算法在此基础之上,引入对比学习的思想,即先通过真实法向的差异构造三元组,再根据构造的三元组创建三元组损失,用以对邻域内的每点权重进行约束,从而提高权重的估计质量,获得更优的法向估计结果。实验结果表明,本文算法能够对已有的算法有较好的提高,在PCPNet数据集上的均方误差平均值为11.71。

基于多尺度邻域平移法向估计算法——点云的法向量估计

本文以邻域漂移的思想为基础,提出一种简洁高效的点云法向估计算法,该算法在保证效率的同时可以有效克服边界点的法向估计效果较差的问题。首先,设计了一种多尺度候选邻域集的生成方法,该方法以当前点的所有近邻点为中心,通过多尺度的策略丰富了候选邻域集的内容,进而提高了最优邻域的质量;其次在最优邻域的评价上不仅采用协方差对候选邻域集的“平坦程度”进行刻画,而且也考虑了候选邻域与当前点的距离,从而筛选出最合理的最优邻域,提高了法向的质量。实验结果表明,该算法可以有效的克服噪声和非均匀采样等问题,很好的恢复模型的尖锐特征,更好的权衡质量和时间。