典型文献
基于MANet的三维点云特征提取方法研究
文献摘要：
在三维点云数据特征提取过程中,点云数据本身的稀疏性和不规则性会影响输入数据的全局特征表示,且现有方法未考虑不同特征通道的重要性差异,不利于点云特征的全局优化.提出一种基于多分组表征和注意力机制的MANet网络进行三维点云特征描述.为获得完整的点云特征信息,将点云数据输入多分组表征模块获得初始点云特征.为学习点云不同通道的重要性,引入新的通道注意力机制强调对特征表示重要的通道,抑制不重要的通道,进一步优化特征表示.将优化后的特征输入点云分类网络,实验结果表明,多分组表征可以感知局部信息,注意力机制能够优化全局特征表示,所提方法能够对点云数据进行有效学习,有助于提高点云分类的鲁棒性和准确率.在ModelNet10/40分类数据集上总体准确率(overall accuracy)分别达到95.1％和92.5％,在ScanNet和SHREC15数据集上总体准确率分别为78.6％和97.2％,上述结果均优于PointNet++网络.
文献关键词：
三维点云;特征提取;多分组表征;注意力机制;深度学习
中图分类号：
作者姓名：
王宝乐;霍占强
作者机构：
河南理工大学 计算机科学与技术学院,河南 焦作 454000
文献出处：
引用格式：
[1]王宝乐;霍占强-.基于MANet的三维点云特征提取方法研究)[J].计算机工程与应用,2022(19):267-275
A类：
多分组,多分组表征,SHREC15
B类：
MANet,点云特征提取,三维点云数据,数据特征,稀疏性,规则性,输入数据,全局特征,特征表示,全局优化,特征描述,特征信息,初始点,通道注意力机制,不重,点云分类,分类网络,局部信息,有效学习,高点,ModelNet10,分类数据,overall,accuracy,ScanNet,PointNet++
AB值：
0.261883
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。
