点云是一个庞大点的集合而且拥有重要的几何结构。由于其庞大的数据量,不可避免地就会在某些区域内出现一些相似点,这就使得在进行特征提取时提取到一些重复的信息,造成计算冗余,降低训练的准确率。针对上述问题,提出了一种新的神经网...点云是一个庞大点的集合而且拥有重要的几何结构。由于其庞大的数据量,不可避免地就会在某些区域内出现一些相似点,这就使得在进行特征提取时提取到一些重复的信息,造成计算冗余,降低训练的准确率。针对上述问题,提出了一种新的神经网络——PointPCA,可以有效地解决上述问题;在PointPCA中,总共分为三个模块:a)采样模块,提出了一种average point sampling(APS)采样方法,可以有效地规避一些相似的点,得到一组近似代表这组点云的新的点集;b)特征提取模块,采用分组中的思想,对这组新的点的集合进行多尺度空间特征提取;c)拼接模块,将每一尺度提取的特征向量拼接到一起组合为一个特征向量。经过实验表明,PointPCA比PointNet在准确率方面提升了4.6%,比PointNet++提升了1.1%;而且在mIoU评估测试中也有不错的效果。展开更多
文摘点云是一个庞大点的集合而且拥有重要的几何结构。由于其庞大的数据量,不可避免地就会在某些区域内出现一些相似点,这就使得在进行特征提取时提取到一些重复的信息,造成计算冗余,降低训练的准确率。针对上述问题,提出了一种新的神经网络——PointPCA,可以有效地解决上述问题;在PointPCA中,总共分为三个模块:a)采样模块,提出了一种average point sampling(APS)采样方法,可以有效地规避一些相似的点,得到一组近似代表这组点云的新的点集;b)特征提取模块,采用分组中的思想,对这组新的点的集合进行多尺度空间特征提取;c)拼接模块,将每一尺度提取的特征向量拼接到一起组合为一个特征向量。经过实验表明,PointPCA比PointNet在准确率方面提升了4.6%,比PointNet++提升了1.1%;而且在mIoU评估测试中也有不错的效果。
