摘要
三维采集技术的飞速发展不仅简化了三维点云数据的获取过程，也推动了点云在自动驾驶、工业生产和城市规划等众多领域的应用。在三维数据分析和处理的研究领域，点云的形状分类与语义分割占据了核心地位。如今，深度学习在三维点云分类和分割方面的应用已成为研究热点。尽管目前已有众多针对三维点云分类与分割提出的深度学习模型，但这些方法仍面临诸多挑战。一方面，大多数现有方法未能有效结合局部特征与区域间关系，导致空间几何信息的部分丢失；另一方面，由于未能在高维特征空间中识别和强化关键特征通道，这会导致模型无法关注最有价值的特征。本文针对这些问题进行了深入探讨，主要研究内容如下： （1）为解决已有算法中局部特征与区域间关系结合不足的问题，本文设计了一种由局部特征提取模块和跨区域关系学习模块所组成的点云分类与分割网络。局部特征提取模块通过最远点采样、球查询分组和特征聚合三个步骤，高效地提取点云数据的层次化特征。跨区域关系学习模块则采用动态区域划分构建局部区域，然后利用自注意力计算的方式来建模区域间的关系。实验结果表明，跨区域关系学习模块有效地增强了模型区域间关系的理解，本文提出的算法在ModelNet40数据集上的分类总体准确率为93.0%、平均类别准确率为90.3%，在ShapeNetPart数据集的平均交并比为85.4%。 （2）针对现有算法难以有效提取关键的高级语义信息与无法关注点云数据中的关键特征的问题，本文提出了一种结合边缘卷积和融合注意力的点云分类与分割模型。首先，模型会使用K近邻算法找到输入点云中每个点的固定数量的最近邻点以确定其局部邻域，计算每一对相邻点之间的边特征，并通过特征变换以及聚合操作将局部空间信息更新至邻域中心节点的特征表示。然后，对邻域特征并行应用空间和通道注意力来增强模型对点云数据关键区域和特征通道的关注。通过动态调整权重，提升了模型识别显著特征的能力并优化了整体性能。实验结果表明，相较于原始动态图卷积神经网络，本文提出的模型在ModelNet40数据集上的分类总体准确率和平均类别准确率分别提高了1.1%和1.2%，在ShapeNetPart数据集上的平均交并比提高了0.9%。
NETL