针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Trans-former模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度.实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为85.9％,比其他模型平均高出3.5％,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑.
A Transformer-based classification and segmentation approach for classifying and segmenting road field attraction clouds
pointcloud recognitionroad scenespoint cloud segmentationpoint set embeddingTransformer
万方数据
维普
