结合区域结构关系和自注意力的边卷积点云分类分割网络

针对深度学习点云网络中区域内上下文和关系特征捕获不充分问题,提出了一种新的网络框架ISEC-Net(inter-region structure relations and self-attention edge convolution network)。该网络由IrConv(inter-region convolution)模块和SaConv(self-attention convolution)模块组成,SaConv模块可以提取到更细粒的边特征,而IrConv可以动态地将局部结构信息集成到点特征中,然后自适应地捕获区域间关系。在ModelNet40数据集和ShapeNet数据集上分别对点云分类和部件分割进行了大量实验,实验结果表明,在ModelNet40数据集上,ISEC-Net模型的总体精度(OA)达到了93.5%,平均精度(mAcc)达到了90.7%;而在ShapeNet数据集上,平均并交比(mIoU)达到了86.1%,并且在单类并交比(IoU)实验中吉他、耳机、杯子等部件分割精度表现优异,说明ISEC-Net与传统的动态图卷积相比,能够精确地捕捉点云的局部特征和精细结构并加强全局特征的聚合,具有出色的有效性和泛化能力。