典型文献
索引边缘几何卷积神经网络用于点云分类
文献摘要：
点云学习因其在计算机视觉、自动驾驶和机器人技术等领域的广泛应用而受到越来越多的关注.点云数据具有稀疏性、无序性、有限性等特点,给基于深度卷积神经网络的点云分类任务带来很大困难,通常采用多视图或将点云转换为体素后使用卷积神经网络进行处理,但转换过程会带来局部特征信息丢失、计算效率低等问题.将原始点云直接输入到分类网络还存在参数量过多、网络规模复杂等问题,实时性任务处理仍需进一步优化.为使点云处理网络轻量化,以适用于实时点云分类任务,提出索引边缘几何卷积神经网络模型.首先对网络结构和超参进行裁剪并压缩,实现模型轻量化;其次,使用k近邻算法在每个卷积层上确定新的局部区域,加入相邻点之间的向量方向,将不同层的输出特征映射并进行索引跳跃连接,使局部特征信息损失进一步降低.在ModelNet40数据集上,该方法的分类准确率约为92.78％,与DGCNN相比,提高了约0.58％.实验结果表明,所提出的模型具有分类准确率高、轻量化特点,可部署于小型嵌入式设备.
文献关键词：
模型分类;卷积神经网络;点云;轻量化
中图分类号：
作者姓名：
周鹏;杨军
作者机构：
兰州交通大学电子与信息工程学院,甘肃兰州730070;兰州交通大学测绘与地理信息学院,甘肃兰州730070
文献出处：
引用格式：
[1]周鹏;杨军-.索引边缘几何卷积神经网络用于点云分类)[J].西安电子科技大学学报（自然科学版）,2022(02):207-217
A类：
B类：
索引,点云分类,计算机视觉,自动驾驶,机器人技术,点云数据,稀疏性,有限性,深度卷积神经网络,分类任务,多视图,转换过程,局部特征,特征信息,信息丢失,计算效率,始点,分类网络,参数量,网络规模,任务处理,点云处理,网络轻量化,时点,卷积神经网络模型,裁剪,模型轻量化,近邻算法,卷积层,局部区域,邻点,特征映射,跳跃连接,信息损失,ModelNet40,分类准确率,DGCNN,嵌入式设备,模型分类
AB值：
0.382675
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
