典型文献
基于邻域参与的形状感知卷积网络的点云分析
文献摘要：
点云作为三维传感器的主要输出,在许多领域有着广泛的应用.但是,由于点云中点的不规则性,使得它不像二维图像那样,可以直接使用深度网络进行分析处理.提出了一种新的直接在点云上进行深度卷积的方式——邻域参与的形状感知卷积.对于给定邻域,首先通过多层感知器(Multi-layer Perceptron,MLP)对邻域内每一点提取点特征,然后利用平均池(Average Pooling)操作获得邻域的全局特征,再将全局特征与点特征串联,并通过MLP学习出与输入特征维度相同的权重.利用权重对输入特征进行加权,最终通过最大池(Max Pooling)和MLP得到邻域的特征描述.实验结果表明,算法能够提高三维点云分类和语义分割的准确率.在ModelNet40数据集上的分类准确率为93.2％,在ShapeNet Parts数据集上语义分割的平均交并比为86.4％.
文献关键词：
三维点云;卷积神经网络;权重学习;形状感知
中图分类号：
作者姓名：
张杰;王佳旭;史路冰;高海悦
作者机构：
辽宁师范大学 数学学院,辽宁 大连 116029
文献出处：
引用格式：
[1]张杰;王佳旭;史路冰;高海悦-.基于邻域参与的形状感知卷积网络的点云分析)[J].辽宁师范大学学报（自然科学版）,2022(04):448-456
A类：
B类：
邻域,形状感知,卷积网络,点云分析,三维传感,云中,中点,规则性,二维图像,那样,使用深度,深度网络,分析处理,接在,深度卷积,多层感知器,Multi,layer,Perceptron,MLP,取点,点特征,Average,Pooling,全局特征,输入特征,用权,Max,特征描述,高三,三维点云分类,语义分割,ModelNet40,分类准确率,ShapeNet,Parts,平均交并比,权重学习
AB值：
0.459042
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。
