-
题名融合可变形核和自注意力的点云分类分割边卷积网络
- 1
-
-
作者
陈思帆
杨家志
黄琳
吕志玮
沈露
-
机构
桂林理工大学计算机科学与工程学院
桂林航天工业学院机电工程学院
桂林理工大学物理与电子信息工程学院
-
出处
《计算机工程》
北大核心
2025年第6期146-154,共9页
-
基金
国家自然科学基金(62166012)。
-
文摘
点云数据具有无序性和离散分布的特点,传统动态图卷积方法在处理点云数据时仍充满挑战,无法准确地表示三维点间的特征对应关系。为此,提出一种融合可变形核和自注意力的点云分类分割边卷积网络DKSA-Net,该网络由DKConv(Deformable Kernels Edge Convolution)模块和SAConv(Self-Attention Edge Convolution)模块组成。通过融合可变形核与边卷积构建DKConv模块,能够动态学习点的特征,生成可变形核,不会忽略不同特征之间的对应关系,从而更好地处理不同特征之间的对应关系。引入自注意力机制,并与边卷积结合构建SAConv模块,能够对特征进行更细粒度的特征提取,充分捕捉点云的重要特征,增强模型的判别能力。实验结果表明,DKSA-Net在ModelNet40和ShapeNet数据集上取得出色性能,分别达到93.4%的总体精度(OA)、90.7%的平均精度(mAcc)和86.1%的平均并交比(mIoU),且有着较低模型复杂度和较好鲁棒性,具有优秀的点云数据处理能力。
-
关键词
可变形核
自注意力
点云分类
点云分割
深度学习
-
Keywords
deformable kernel
self-attention
point cloud classification
point cloud segmentation
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
