融合细粒度特征编码的点云分类分割网络

有效获取点云特征是分析和处理三维点云场景的关键。针对目前深度学习方法特征信息提取不充分，难以捕捉深层次语义信息的问题，提出了一种融合细粒度特征编码的网络来提高点云分类与分割任务的准确率。首先，特征提取模块包含2个子模块：一个是扩张图卷积模块，相比图卷积能够提取更丰富的几何信息；另一个是细粒度特征编码模块，能够获取局部区域的细节特征。其次，通过可学习参数将二者动态融合，有效地学习每个点的上下文信息。最后，将提取的所有特征相加，通过通道亲和注意力模块来强调不同通道，协助特征图来避免可能的冗余。在ModelNet40及ScanObjectNN数据集上进行点云分类实验，总体分类精度分别为93.3%和80.0%。在ShapeNet Part数据集上进行点云部件分割实验，平均交并比为85.6%。实验结果表明，与目前主流方法相比，该网络具有较优的性能。