-
题名基于可变形三维图卷积的轻量级点云分类研究
- 1
-
-
作者
蔡俊民
梁正友
孙宇
陈子奥
-
机构
广西大学计算机与电子信息学院
广西大学广西多媒体通信与网络技术重点实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第9期255-265,共11页
-
基金
国家自然科学基金面上项目(62171145)。
-
文摘
现有深度学习方法在处理点云分类任务时,依赖于点的绝对坐标,存在模型复杂度较大的问题。对此,提出一种轻量级的点云分类网络DMGCN-3D。使用自适应空洞K近邻(KNN)算法构造图结构,尽可能捕捉局部更广泛空间的几何结构信息,并减少计算开支;构造可变形三维图卷积,引入可学习的点与点之间的方向向量来获取相对特性,在特征提取过程中保证点云的置换不变性与尺度不变性;构建多头自注意力模块,通过残差结构将分组变换注意力(GSA)与多层感知机(MLP)相结合,MLP有助于保持原始点云信息的完整性,GSA使得网络能够学习特征内部的自相关性,在提高特征表达能力的同时降低参数总量;使用空间变换网络结合MLP来学习点云特征;对所提取的特征进行融合以得到更综合的特征,将其用于点云分类。实验结果表明,DMGCN-3D在ModelNet10、ModelNet40、ScanObjectNN数据集上的总体精度分别达到96.5%、94.7%、81.9%,比DGCNN分别提高2.9、2.1、3.8个百分点,参数总量相比DGCNN、LDGCNN、3DGCN模型分别降低52.9%、23.9%、3.3%,且DMGCN-3D能够保持较高的鲁棒性。
-
关键词
点云分类
可变形三维图卷积
自适应
多头自注意力
轻量级网络
-
Keywords
point cloud classification
deformable 3D graph convolution
self-adaption
multiple head self-attention
lightweight network
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
