多参数及超松弛邻近尺度邻近点算法研究

针对临近点算法的尺度梯度问题,对多参数及超松弛邻近尺度邻近点算法进行了研究.验证了多参数临近尺度梯度算法、超松弛邻近尺度梯度算法序列的强收敛性和有界扰动恢复性,分别进行Superiorization算法的算例分析.结果显示,超松弛邻近尺度梯度算法在运行耗时、迭代次数上均明显好于多参数临近尺度梯度算法.相对于多参数临近尺度梯度算法,多参数邻近尺度梯度算法的有界扰动算法、结合Superiorization的多参数临近尺度梯度算法、超松弛邻近尺度梯度算法性能更优.

基于全局上下文注意力的点云语义分割

点云语义分割是三维环境感知的基础,直接基于点的语义分割方法避免了因点云结构化处理所造成的信息损失,但大多数深度学习模型的研究主要集中在提取局部几何特征,没有考虑点云不同局部结构之间的上下文关系,并且忽略了低级与高级特征之间的语义差距,限制了特征表示的能力,影响了点云语义分割的精度。因此,文中提出一种基于全局上下文注意力的点云语义分割方法,该方法主要由基于外部注意力的全局上下文特征聚合和基于后向竞争性注意力的邻近尺度特征融合两部分组成。通过外部注意力学习不同局部结构之间的长距离依赖关系,从而获得丰富的全局上下文信息。为了进一步增强模型的上下文感知能力,设计基于后向竞争性注意力的邻近尺度特征融合模块,学习低级与高级语义特征之间的相似度,重新为中间特征通道分配权重。在S3DIS大规模室内点云数据集上对所提方法进行评估,结果表明,所提方法的平均交并比在Area5上达到了65.2%,相比于RandLA-Net提高了2.5%,在6折交叉验证上的平均交并比达到了71.4%,相比于RandLA-Net提高了1.4%。证明了所提方法能够有效提取全局上下文特征,提高了语义分割的精度。