典型文献
SSA-PointNet++:空间自注意力机制下的3D点云语义分割网络
文献摘要：
为增强捕捉细粒度局部特征能力以进一步提高复杂场景点云语义分割精度,将自注意力机制引入PointNet++构建点云语义分割网络SSA-PointNet++.首先将采样点邻域的自注意力明确分为中心自注意力和邻域自注意力两部分,综合两者并结合不同空间编码方式增强网络模型对采样点邻域拓扑结构的学习;然后构建注意力池化模块以强化重要信息在网络的有效传递,并通过差异性池化函数整合注意力池化、最大池化提取的多个全局特征以提高点云语义分割结果的鲁棒性.对公开数据集S3DIS,Semantic3D的场景语义分割实验表明,所提网络模型数据集分割精度mIoU较基准模型提升效果显著,在室内数据集S3DIS上的mIoU较PointNet++提升达6.6％,在室外数据集Semantic3D上的mIoU高出MSDeepVoxNet约3％;与公开数据集上其他网络模型的分割结果相比,所提模型性能均有不同程度的提升,具有更强的泛化性能和良好的应用价值.
文献关键词：
点云语义分割;深度学习;卷积神经网络;自注意力机制
中图分类号：
作者姓名：
吴军;崔玥;赵雪梅;陈睿星;徐刚
作者机构：
桂林电子科技大学电子工程与自动化学院 桂林 541000;中国科学院宁波材料技术与工程研究所 宁波 315000
文献出处：
引用格式：
[1]吴军;崔玥;赵雪梅;陈睿星;徐刚-.SSA-PointNet++:空间自注意力机制下的3D点云语义分割网络)[J].计算机辅助设计与图形学学报,2022(03):437-448
A类：
MSDeepVoxNet
B类：
SSA,PointNet++,自注意力机制,点云语义分割,语义分割网络,细粒度,局部特征,复杂场景,景点,采样点,邻域,空间编码,编码方式,拓扑结构,注意力池化,重要信息,有效传递,最大池化,全局特征,高点,公开数据集,S3DIS,Semantic3D,场景语义,模型数据,mIoU,提升效果,模型性能,泛化性能
AB值：
0.271085
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。
