层级边缘卷积网络：提升三维点云分类精度

8 浏览量更新于2024-08-27 1 收藏 705KB PDF 举报

"基于层级边缘卷积的三维点云分类是解决点云数据处理中特征提取难题的一种新方法。针对点云数据的无序性、离散性和稀疏性，该方法旨在克服现有技术在局部信息提取和区域信息融合方面的局限性，尤其在三维视觉中的点云模型识别任务中表现出色。文章介绍了所提出的层级边缘卷积网络，该网络借鉴了层级结构的概念，通过一系列层级几何信息模块来高效地提取和整合特征。在每个层级，首先对原始点云进行下采样，创建局部区域，这样可以降低计算复杂度同时保持关键信息。接着，对每个局部区域内的点进行操作，计算点与点之间的距离，并结合点的特征来捕获几何信息。这一过程有助于理解和表征点云的局部结构。最后，将不同采样点的局部特征聚合起来，形成全局的表示，以支持更精确的分类决策。实验结果显示，该算法在广泛使用的ModelNet40数据集上达到了91.5%的识别准确率，这一成绩优于同类的三维点云分类算法。其优势在于能更深入地挖掘局部信息，从而提升整体分类的准确性。关键词包括三维深度学习、三维感知、点云分类、几何特征、信息聚合和边缘向量，这些都反映了研究的核心内容和技术手段。此方法的创新性和有效性体现在它对点云数据的特殊性质的理解和处理上，通过边缘卷积和层级结构，有效地解决了点云数据的挑战，为未来在自动驾驶、机器人导航、虚拟现实等领域中利用点云数据提供了新的思路和工具。"

- 1 -

基于层级边缘卷积的三维点云分类

朱慧

1,2

，吴晓群

1,2

（1. 北京工商大学计算机与信息工程学院，北京 100048；2. 北京工商大学食品安全大

数据技术北京市重点实验室，北京 100048）

摘要：由于激光点云数据的无序性、离散性、稀疏性，基于深度学习的三维点云数据的特征提取具有一

定难度。针对目前局部信息提取不充分，区域信息的合并有限的问题，提出了一种基于层级边缘卷积的点

云分类网络，用于三维视觉中点云模型识别任务。本文采用层级结构的思想，通过层级几何信息模块对特

征进行有效提取和归纳。对于每个层级几何信息提取模块，首先对点云模型进行下采样并构建局部区域，

对每个局部区域中点与点之间的距离和特征进行建模，获得局部区域的几何信息，最后聚合多个采样点的

局部结构特征。实验结果表明，本算法在 ModelNet40 数据集上的识别准确率为 91.5%。与已有的三维点云

模型识别分类算法相比，本文算法能够更充分地提取局部信息，进一步提高三维点云模型分类的准确率。

关键词：三维深度学习；三维感知；点云分类；几何特征；信息聚合；边缘向量

中图分类号：TP 391 文献标志码：A

Hierarchical edge-convolution network for 3D point cloud

classification

Zhu Hui

1,2

, WU Xiaoqun

1,2

(1. School of Computer and Information Engineering, Beijing Technology and Business University,

Beijing 100048, China; 2. Beijing Key Laboratory of Big Data Technology for Food Safety,

Beijing Technology and Business University, Beijing 100048, China)

Abstract：It is difficult to extract the features of 3D point cloud data based on deep learning due to the

unstructured and discrete properties of point cloud. In this paper, we propose a hierarchical edge convolution

network for point cloud classification to address the insufficient local information extraction and region merging

information problems. Inspired by the information abstract ability of hierarchical structure, we use level of

geometric extraction module to extract and abstract information. For each level of geometric information

extraction module, firstly, the point cloud model is downsampled and the local areas are constructed. Then, the

geometric information of the local area is obtained according the distant and features among the points in the local

area. Finally, the local structure features of multiple sampling points are aggregated. After the effective induction

of local area information by hierarchical structure, the classification of point cloud model is predicted. The

experimental results show that the recognition accuracy of this algorithm is 91.5% on the data set of modelnet40.

Compared with the existing three-dimensional point cloud model recognition and classification algorithm, this

algorithm can extract local information more fully and further improve the accuracy of three-dimensional point

cloud model classification.

Keywords：3D deep learning, 3D perception, point cloud classification, geometric features, information

aggregation, edge vector

深度学习在图像处理领域的大获成功，特别是图像识别

[1][2][3]

任务上取得了很大进展。

但由于人们的视觉感知系统具有三维立体特性，并且三维模型及其组成的三维场景能提供比

二维图像更多、更丰富的视觉感知细节，所以基于二维图像的场景感知技术已经无法满足现

代科技的需要。人们对自动驾驶

[4]

、虚拟现实

[5]

、增强现实

[6]

、机器人

[7]

等应用的 3D 视觉

技术领域兴趣日益增长。随着激光扫描等技术趋于成熟，点云数据不断增长，催化了使用数

据驱动方法来从点云学习特征的研究。

将深度学习方法从二维图像直接扩展到三维识别任务中是存在一定问题的，由于常规的

深度网络的输入都是规则结构的数据，而点云则是利用结构光扫描仪或者三维激光扫描仪等

设备采集到的分布在三维空间中的离散点集，是无序的，对不规则点集直接应用卷积操作来

收稿日期：2019-11-19

基金项目：国家自然科学基金资助项目(61602015)；北京市教委科技一般项目(KM201910011012)；“十三

五”时期北京市属高校高水平教师队伍建设支持计划（CIT&TCD201904036）

第一作者：朱慧（1996—），女，研究生，主要研究方向为计算机图形学

通信作者：吴晓群，副教授，主要研究方向为计算机图形学，wuxiaoqun@btbu.edu.cn

下载后可阅读完整内容，剩余8页未读，立即下载

weixin_38625351

粉丝: 3
资源: 943

层级边缘卷积网络：提升三维点云分类精度

利用KMeans算法对点云数据进行分类

基于体素化图卷积网络的三维点云目标检测方法_赵毅强.pdf

基于深度学习的三维点云重建.docx

基于深度学习的三维点云重建.pdf

基于深度学习的三维点云去噪.zip

基于三维卷积神经网络的点云图像船舶分类方法

基于深度学习的三维点云重建 (2).pdf

基于深度学习的三维点云语义分割方法综述.pdf

使用深度学习的三维点云分类的介绍1

基于卷积神经网络的非织造材料三维点云重建.pdf

最新资源