基于动态图卷积的混合注意力点云特征学习网络

来源：计算机技术与发展杂志2023年第10期北京时间：

作者：陈奔;谢晓尧;刘嵩

单位：贵州师范大学 贵州省信息与计算科学重点实验室,贵州 贵阳 550001 Author(s): CHEN Ben;XIE Xiao-yao;LIU Song Key Laboratory of Information and Computing Science of Guizhou Province,Guizhou Normal University,Guiyang 550001,China 关键词: 点云分类;点云分割;动态图卷积;自注意力;深度学习;特征提取 Keywords: point cloud classification;point cloud segmentation;dynamic graph convolution;self-attention;deep learning;feature extraction 分类号: TP391. 41 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 10. 024 摘要: 当前针对点云模型的形状分类、部件分割等工作的深度学习网络缺乏从全局和局部两个角度综合利用上下文信息的能力,从而阻碍了点云对象在细节部分的准确度性能。 因此,该文提出了一种通道注意力与局部区域注意力相结合的混合注意力机制,并基于动态图卷积构建了新的三维点云特征学习网络 EDANet。 通过通道注意力优化边卷积的处理过程,充分挖掘点云的局部特征信息,同时使用局部区域注意力从全局视角提取上下文特征,并将两部分信息相结合并逐层传递,从而提高特征提取效果网络的能力。在 ModelNet40 与 ShareNet 数据集上分别进行了点云形状分类、部件分割实验,实验结果表明在 ModelNet40 数据集上,EDANet 网络的总体精度 OA 达到了 92. 9% ,相较于 PointNet、PointNet + +、DGCNN 分别高出了 3. 7% 、2. 3% 、0. 7% 。 在 ShareNet 数据集上平均并交比( mIoU) 达到了 86% ,相较于 PointNet、PointNet++、DGCNN 分别高出了 2. 3% 、0. 9% 、0. 8% 。 相比其他深度学习网络也具有不同程度的性能提高。 验证了该方法在点云处理任务中的优越性能。

摘要：当前针对点云模型的形状分类、部件分割等工作的深度学习网络缺乏从全局和局部两个角度综合利用上下文信息的能力,从而阻碍了点云对象在细节部分的准确度性能。 因此,该文提出了一种通道注意力与局部区域注意力相结合的混合注意力机制,并基于动态图卷积构建了新的三维点云特征学习网络 EDANet。 通过通道注意力优化边卷积的处理过程,充分挖掘点云的局部特征信息,同时使用局部区域注意力从全局视角提取上下文特征,并将两部分信息相结合并逐层传递,从而提高特征提取效果网络的能力。在 ModelNet40 与 ShareNet 数据集上分别进行了点云形状分类、部件分割实验,实验结果表明在 ModelNet40 数据集上,EDANet 网络的总体精度 OA 达到了 92. 9% ,相较于 PointNet、PointNet + +、DGCNN 分别高出了 3. 7% 、2. 3% 、0. 7% 。 在 ShareNet 数据集上平均并交比( mIoU) 达到了 86% ,相较于 PointNet、PointNet++、DGCNN 分别高出了 2. 3% 、0. 9% 、0. 8% 。 相比其他深度学习网络也具有不同程度的性能提高。 验证了该方法在点云处理任务中的优越性能。

关键词：点云分类;点云分割;动态图卷积;自注意力;深度学习;特征提取