针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivel...针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivelocal feature aggregator with region-based convolu-tional neural networks)架构。首先,利用随机采样方法在处理庞大点云数据时的高效性,对大场景点云数据进行下采样;然后,通过对输入点云的每个近邻点的空间位置编码,有效提高从每个点的邻域提取局部特征的能力,并利用基于注意力机制的池化规则聚合局部特征向量,获取全局特征;最后使用由多个局部空间编码单元和注意力池化单元叠加形成的扩展残差模块,来进一步增强每个点的全局特征,避免关键点信息丢失。实验结果表明,该检测算法在保留PointRCNN网络对3D目标的检测优势的同时,相比PointRCNN检测速度提升近两倍,达到16 f/s的推理速度。展开更多
文摘针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivelocal feature aggregator with region-based convolu-tional neural networks)架构。首先,利用随机采样方法在处理庞大点云数据时的高效性,对大场景点云数据进行下采样;然后,通过对输入点云的每个近邻点的空间位置编码,有效提高从每个点的邻域提取局部特征的能力,并利用基于注意力机制的池化规则聚合局部特征向量,获取全局特征;最后使用由多个局部空间编码单元和注意力池化单元叠加形成的扩展残差模块,来进一步增强每个点的全局特征,避免关键点信息丢失。实验结果表明,该检测算法在保留PointRCNN网络对3D目标的检测优势的同时,相比PointRCNN检测速度提升近两倍,达到16 f/s的推理速度。
文摘点云分类与分割在机器人导航、虚拟现实以及自动驾驶领域应用广泛,大多面向点云处理的深度学习方法采用共享权重的多层感知机(MultiLayer Perceptron,MLP)以及单一的池化来聚合点云的局部特征,难以准确地描述排列复杂的点云结构信息。针对上述问题,提出一种点云形状自适应的局部特征编码方法,以有效表征形状多样的点云结构信息,提升点云分类和分割性能。该方法首先引入一种自适应特征增强模块,采用差分和可学习的调节因子对特征进行增强,弥补共享权重MLP描述能力不足的问题。在此基础上,设计了一种特征聚合模块,利用点云的绝对空间距离赋予不同点不同权重以适应形状多变的点云结构信息,突出有代表性的点集,更加准确地描述点云的局部结构信息。在3个大型公开点云数据集上进行实验,结果表明,在ModelNet40数据集上取得了93.9%的总体实例分类精度,在分割数据集ShapeNet和S3dis上分别取得了85.9%,59.7%的总体实例平均交并比(mean Intersection over Union,mIoU),本文提出的方法在点云分类和分割任务上表现优秀。
