基于PointConv改进的点云分类网络

近年来,点云数据在自动驾驶和机器人等领域广泛应用。随着相关数据集的完善,以原始点云作为输入的深度学习方法接连涌现。针对点云的排列不变性和平移不变性特点,PointConv[1]使用逆密度加权的非线性卷积核提取局部特征。基于此,论文充分聚合上下文语义信息,用多层次、多尺度的密集特征对PointConv进行改进,实现了对多级局部邻域特征的综合利用,从而增强了网络的泛化能力。在数据集ModelNet40上的对比测试表明,改进后网络的整体准确率和类平均准确率均显著提高,进一步证明了该网络的有效性。