由于点云的非结构性和无序性,目前已有的点云分类网络在精度上仍然需要进一步提高.通过考虑局部结构的构建、全局特征聚合和损失函数改进三个方面,构造一个有效的点云分类网络.首先,针对点云的非结构性,通过学习中心点特征与近邻点特征...由于点云的非结构性和无序性,目前已有的点云分类网络在精度上仍然需要进一步提高.通过考虑局部结构的构建、全局特征聚合和损失函数改进三个方面,构造一个有效的点云分类网络.首先,针对点云的非结构性,通过学习中心点特征与近邻点特征之间的关系,为不规则的近邻点分配不同的权重,以此构建局部结构;然后,使用注意力思想,提出加权平均池化(Weighted average pooling,WAP),通过自注意力方式,学习每个高维特征的注意力分数,在应对点云无序性的同时,可以有效地聚合冗余的高维特征;最后,利用交叉熵损失与中心损失之间的互补关系,提出联合损失函数(Joint loss function,JL),在增大类间距离的同时,减小类内距离,进一步提高了网络的分类能力.在合成数据集ModelNet40、ShapeNetCore和真实世界数据集ScanObjectNN上进行实验,与目前性能最好的多个网络相比较,验证了该整体网络结构的优越性.展开更多
文摘由于点云的非结构性和无序性,目前已有的点云分类网络在精度上仍然需要进一步提高.通过考虑局部结构的构建、全局特征聚合和损失函数改进三个方面,构造一个有效的点云分类网络.首先,针对点云的非结构性,通过学习中心点特征与近邻点特征之间的关系,为不规则的近邻点分配不同的权重,以此构建局部结构;然后,使用注意力思想,提出加权平均池化(Weighted average pooling,WAP),通过自注意力方式,学习每个高维特征的注意力分数,在应对点云无序性的同时,可以有效地聚合冗余的高维特征;最后,利用交叉熵损失与中心损失之间的互补关系,提出联合损失函数(Joint loss function,JL),在增大类间距离的同时,减小类内距离,进一步提高了网络的分类能力.在合成数据集ModelNet40、ShapeNetCore和真实世界数据集ScanObjectNN上进行实验,与目前性能最好的多个网络相比较,验证了该整体网络结构的优越性.
