典型文献
基于动态图卷积的加权点云分类网络
文献摘要：
传统的直接处理点云的PointNet类深度学习网络大多只考虑了点云的全局特征而忽视了点云局部特征,动态图卷积网络DGCNN通过构建k近邻图完成了对局部特征的弥补.然而现有的DGCNN使用简单的边缘特征作为局部特征的输入,没有对局部特征进行更深入的研究,且仅使用最大池化处理点云无序性问题,这造成了一定的信息损失.提出加权点云分类网络WDGCNN,使用特征拼接思想优化网络结构以实现多层次特征的融合、通过对k近邻图构成的边缘特征设计恰当的加权函数以弱化远点的干扰,相对加强近点的特征、采用最大池化和平均池化相结合的对称函数弥补单独使用最大池化造成的全局信息损失的新方法,实现了模型优化.实验结果表明,在通用点云分类数据集ModelNet40上,WDGCNN相比于DGCNN分类准确率由91.61％达到了93.22％,验证了新方法的有效性.
文献关键词：
图像处理;三维点云分类;深度学习;图卷积;k近邻;池化
中图分类号：
作者姓名：
孙一珺;胡辉
作者机构：
华东交通大学 信息工程学院 GNSS实验室,南昌 330013
文献出处：
引用格式：
[1]孙一珺;胡辉-.基于动态图卷积的加权点云分类网络)[J].计算机工程与应用,2022(20):240-246
A类：
WDGCNN
B类：
分类网络,PointNet,深度学习网络,多只,全局特征,局部特征,动态图卷积网络,近邻图,对局,边缘特征,最大池化,信息损失,使用特征,特征拼接,多层次特征,加权函数,远点,平均池化,对称函数,全局信息,模型优化,分类数据,ModelNet40,分类准确率,三维点云分类
AB值：
0.278691
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。
