基于可变形三维图卷积的轻量级点云分类研究

来源：计算机工程杂志2024年第9期北京时间：

作者：蔡俊民, 梁正友, 孙宇, 陈子奥

单位：1. 广西大学计算机与电子信息学院, 广西 南宁 5300042. 广西大学广西多媒体通信与网络技术重点实验室, 广西 南宁 530004

摘要：现有深度学习方法在处理点云分类任务时, 依赖于点的绝对坐标, 存在模型复杂度较大的问题。对此, 提出一种轻量级的点云分类网络DMGCN-3D。使用自适应空洞K近邻(KNN)算法构造图结构, 尽可能捕捉局部更广泛空间的几何结构信息, 并减少计算开支; 构造可变形三维图卷积, 引入可学习的点与点之间的方向向量来获取相对特性, 在特征提取过程中保证点云的置换不变性与尺度不变性; 构建多头自注意力模块, 通过残差结构将分组变换注意力(GSA)与多层感知机(MLP)相结合, MLP有助于保持原始点云信息的完整性, GSA使得网络能够学习特征内部的自相关性, 在提高特征表达能力的同时降低参数总量; 使用空间变换网络结合MLP来学习点云特征; 对所提取的特征进行融合以得到更综合的特征, 将其用于点云分类。实验结果表明, DMGCN-3D在ModelNet10、ModelNet40、ScanObjectNN数据集上的总体精度分别达到96.5%、94.7%、81.9%, 比DGCNN分别提高2.9、2.1、3.8个百分点, 参数总量相比DGCNN、LDGCNN、3DGCN模型分别降低52.9%、23.9%、3.3%, 且DMGCN-3D能够保持较高的鲁棒性。

关键词：点云分类,可变形三维图卷积,自适应,多头自注意力,轻量级网络

基金资助：国家自然科学基金面上项目(62171145)