典型文献
基于图卷积神经网络的三维点云分割算法Graph⁃PointNet
文献摘要：
三维点云无序不规则的特性使得传统的卷积神经网络无法直接应用,且大多数点云深度学习模型往往忽略大量的空间信息.为便于捕获空间点邻域信息,获得更好的点云分析性能以用于点云语义分割,文中提出Graph?PointNet点云深度学习模型.Graph?PointNet在经典点云模型PointNet的基础上,结合二维图像中聚类思想,设计了图卷积特征提取模块取代多层感知器嵌入PointNet中.图卷积特征提取模块首先通过K近邻算法搜寻相邻特征点组成图结构,接着将多组图结构送入图卷积神经网络提取局部特征用于分割.同时文中设计一种新型点云采样方法多邻域采样,多邻域采样通过设置点云间夹角阈值,将点云区分为特征区域和非特征区域,特征区域用于提取特征,非特征区域用于消除噪声.对室内场景S3DIS、室外场景Semantic3D数据集进行实验,得到二者整体精度分别达到89.33％和89.78％,平均交并比达到64.62％,61.47％,均达到最佳效果.最后,进行消融实验,进一步证明了文中所提出的多邻域采样和图卷积特征提取模块对提高点云语义分割的有效性.
文献关键词：
三维点云分割;图卷积神经网络;Graph-PointNet;语义分割;深度学习;多邻域采样;特征提取
中图分类号：
作者姓名：
陈苏婷;陈怀新;张闯
作者机构：
南京信息工程大学,江苏 南京 210044
文献出处：
引用格式：
[1]陈苏婷;陈怀新;张闯-.基于图卷积神经网络的三维点云分割算法Graph⁃PointNet)[J].现代电子技术,2022(06):87-92
A类：
多邻域采样,邻域采样
B类：
图卷积神经网络,三维点云分割,分割算法,Graph,PointNet,接应,数点,点云深度学习,深度学习模型,空间信息,邻域信息,点云分析,分析性能,点云语义分割,点云模型,二维图像,卷积特征提取,取模,多层感知器,近邻算法,搜寻,特征点,成图,图结构,送入,局部特征,征用,时文,中设计,采样方法,云间,夹角,特征区域,非特,提取特征,消除噪声,室内场景,S3DIS,外场,Semantic3D,整体精度,平均交并比,比达,达到最佳,最佳效果,消融实验,高点
AB值：
0.270139
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。
