基于位置编码和双距离注意的点云分割方法

近年来,卷积和图运算被广泛用于从点云中捕获特征信息的研究中,在语义分割任务中表现出良好的性能。然而,这些方法在表示点云的局部信息方面存在局限性,并且采用对称池化操作而丢失了大量的特征信息。为了解决这些问题,提出DualRes-Net网络。该网络采用位置编码模块对局部坐标特征进行编码,使网络能够专注于点云位置信息,获得更好的局部特征表示。利用双距离注意力池将中心点与邻近点的差异与注意力相结合,增强了注意力对局部点云信息的自适应聚合能力。在网络的每个阶段使用去分化残差结构来提取点云的深层特征。由于不同的输入类型具有显著的分布差异,为了稳定模型训练,提高模型性能,对每种类型的特征分别应用MLP。在S3DIS Area5的语义分割实验中,所提方法的分割性能mIoU达到了63.7%,超过了许多现有的网络,证明了所提方法的有效性。

面向局部学习的点云分割分类网络

在各种3D对象表示中,三维点云越来越受欢迎,其中基于点的方法在各种数据集上都表现出了良好的性能。针对PointNet++只关注了点本身的信息,并未关注相邻点的信息,同时它采用最大池化聚合局部信息,导致丢失次最大值信息。由此,文中提出Con-PointNet++网络,该网络利用增强局部信息模块,以关注相邻点的信息,从而增强局部信息特征提取;采用局部注意力机制下的融合池化模块,将最大池化与注意力池化特征信息融合,得到更为丰富的局部特征信息。本文方法在室内数据集S3DIS的Area_5区域上评估模型语义分割能力,mIoU达55.2%;在数据集ModelNet40上评估模型分类效果,OA达91.2%。与其他方法相比,所提模型性能均有提升,进一步证明了本文方法的有效性。

结合局部增强与反向残差的点云语义分割网络

激光点云是3D传感器的输出,且对它的语义分割任务是理解真实世界的基础。基于图卷积的点云分割网络在许多场景下都展现了优异的性能。然而,现有的图卷积方法存在部分问题:点云局部表示的能力未得到加强,忽略了全局几何信息,并且聚合操作只保留局部最大响应值信息,而次最大值信息丢失。为了处理这些问题,本文提出GRes-Net网络。利用局部几何加强(Local Geometry Augment,LGA)模块,使网络对Z轴具有旋转不变性,以便加强点云局部信息表示;采用全局几何特征(Global Geometry Feature,GGF)模块,计算局部与全局的球体体积比,将其与坐标特征X进行连接,使全局几何信息特征得以保留;通过多个对称聚合操作将局部信息多方面地保留;网络中每层都使用残差操作,将上一层信息传递到下一层,以及利用反向残差模块(Reversed Residual MLP,RevResMLP)挖掘更深层次的语义信息。本文在S3DIS数据集上进行语义场景分割实验,验证网络分割的性能。实验结果表明该方法在分割精度上达到61%,相比于基准网络DGCNN提高14%,有效地提高了模型性能。