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。

基于CSegNet的三维点云室内语义分割研究

人工智能的发展程度取决于机器对环境的感知能力,即机器对场景理解的能力,这就离不开其中的核心技术—三维点云语义分割,虽然基于深度学习的三维点云语义分割网络层出不穷,但都存在局部特征利用不充分的问题,导致分割效果不佳。本文针对这个问题,受PointNet++和TSegNet的启发,设计了具有双层结构的CSegNet模型。首先,编码部分使用逐点卷积来取代PointNet层捕捉点云的局部特征;其次,解码部分使用PointDeconv层恢复原始点云结构;最后加入边缘卷积来更有效的提取局部特征,并解决边界不平滑问题。在S3DIS数据集上验证表明,CSegNet能更好的利用局部特征来进行分割,最终得到oAcc为88.7%,mIoU为73.7%的分割准确性。