融合图卷积和差异性池化函数的点云数据分类分割模型

• 作者: 付鹏飞 张新良 王琬如 谢恒 赵运基
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 点云 深度学习 图卷积神经网络(GCN) 差异性池化函数 分类分割 联合特征
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 图像分析和识别
• 页码范围: 1201-1208
• 页数: 8页
• 分类号: TP391
• 字数: 4584字
• 语种: 中文

摘要

目的 深度网络用于3维点云数据的分类分割任务时,精度与模型在全局和局部特征上的描述能力密切相关.现有的特征提取网络,往往将全局特征和不同尺度下的局部特征相结合,忽略了点与点之间的结构信息和位置关系.为此,通过在分类分割模型中引入图卷积神经网络(graph convolution neural network,GCN)和改进池化层函数,增强局部特征表征能力和获取更丰富的全局特征,改善模型对点云数据的分类分割性能.方法 GCN模块通过K近邻算法构造图结构,利用相邻点对的边缘卷积获取局部特征,在深度网络模型中动态扩展GCN使模型获得完备的局部特征.在池化层,通过选择差异性的池化函数,联合提取多个全局特征并进行综合,保证模型在数据抖动时的鲁棒性.结果 在ModelNet40、ShapeNet和S3DIS(stanford large-scale 3D indoor semantics)数据集上进行分类、部分分割以及语义场景分割实验,验证模型的分类分割性能.与PointNet相比,在ModelNet40分类实验中,整体精度和平均分类精度分别提升4％和3.7％;在ShapeNet部分分割数据集和S3DIS室内场景数据集中,平均交并比(mean intersection-over-union,mIoU)分别高1.4％和9.8％.采用不同的池化函数测试结果表明,本文提出的差异性池化函数与PointNet提出的池化函数相比,平均分类精度提升了0.9％,有效改善了模型性能.结论 本文改进的网络模型可以有效获取点云数据中的全局和局部特征,实现更优的分类和分割效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张新良	河南理工大学电气工程与自动化学院	31	93	5.0	8.0
2	付鹏飞	河南理工大学电气工程与自动化学院	1	0	0.0	0.0
3	赵运基	河南理工大学电气工程与自动化学院	13	30	3.0	5.0
4	谢恒	河南理工大学电气工程与自动化学院	2	0	0.0	0.0
5	王琬如	河南理工大学电气工程与自动化学院	2	0	0.0	0.0