基于特征负反馈卷积的点云分析方法

针对不规则性、无序性和稀疏性给点云分析带来的困难与挑战,提出了融合局部信息提取与全局特征推理的点云分析方法。首先,为了更加有效地进行局部点分组,使用结构感知K近邻(KNN)搜索局部邻域点。其次,基于边卷积改进提出一种特征负反馈卷积模块,在映射的高维空间中提取更为准确的局部特征。此外,设计了基于注意力机制的全局语义推理模块,通过强调不同区域的分组点来避免潜在的信息冗余,从而全面地获取点云特征。通过在公开的点云数据集ModelNet40和ShapeNet上进行测试,该方法总体分类精度和总体平均交并比分别达到93.8%和86.4%,定量的评估指标以及定性的可视化实验证明了该方法的准确性和鲁棒性。