摘要
三维点云数据包含着丰富的形状和比例信息,如何有效准确地对点云数据进行分类已经成为了目前计算机视觉领域的研究热点.由于点云在非欧氏空间中的不规则稀疏结构,并且现有的基于深度学习的三维点云分类模型中缺乏对各个点的局部信息和全局信息的有效利用,从而导致较低的分类精度.为了解决上述问题,提出了一种基于SA-PointNetVLAD的点云分类模型框架.该网络采用逐点特征提取和汇集操作来解决无序的点云问题,通过自注意力机制来计算每个点与其他所有点之间的关联,充分挖掘点云的局部区域细粒度特征以及全局信息,采用KNN邻近算法感知点云的局部形状结构,通过VLAD层将每个点的低层几何描述符与视觉单词相关联来间接描述高层特征信息.此外,该网络还引入一个有效的关键点描述符帮助识别整体几何图形.经过实验得出SA-PointNetVLAD模型在公开的ModelNet40数据集上仅使用512个点就可以达到90.9％的精度,显著高于相同条件下的其他方法.
基金项目
国家自然科学基金(61561003)
国家自然科学基金(61761003)
江西省核地学数据科学与系统工程技术研究中心基金(JETRCNGDSS201902)
维普
万方数据