对稀疏点云规则化处理的分类卷积神经网络

来源：计算机工程与应用杂志2023年第24期北京时间：

作者：李恒宇, 杨家志, 沈洁, 张峻恺

单位：1.桂林理工大学 信息科学与工程学院，广西 桂林 541004；2.广西嵌入式技术与智能系统重点实验室，广西 桂林 541004

摘要：深度学习作为点云分类的重要方法之一，通常会因为点云的稀疏性、无序性、有限性等特点，导致卷积算子不能充分提取局部空间相关性，直接使用卷积提取点的相关特征将导致特征信息的丢失。为此提出一种经过X变换后的点云分类卷积神经网络：XTNet（convolutional neural network based on X-transform）。XTNet对输入的原始点云数据进行X变换，将它们置换成潜在的规范顺序，抑制点云无序性、稀疏性对卷积操作的影响，避免卷积操作过程中的信息丢失；使用[K]近邻算法构建局部区域后，使用卷积层提取局部信息；在提取局部特征的同时通过通道扩充增加信息传递、丰富特征；在各局部特征提取模块间设置跳跃连接，进一步减少局部信息的丢失。在标准公开数据集ModelNet40和真实数据集ScanObjectNN中进行了实验。实验结果表明，与目前主流的多个高性能网络相比，XTNet分类准确率提高了0.3~4个百分点，并且拥有良好的鲁棒性和普适性。

关键词：深度学习,点云分类,卷积神经网络