基于点密度加权的多尺度分层点云识别网络

摘要

与密集且规则分布的2D栅格状图像不同,3D点云是不规则且无序的,对其进行卷积可能会存在一定的困难,因此,提出了一种针对原始3D点云的卷积运算。该方法使用高斯核密度估计和多层感知器(multi-layer perceptron,MLP)网络来学习密度函数,将学习到的点的密度尺度结合点的相对位置,通过由MLP网络近似的权重函数之中,得到局域中每个点的权重值。整个卷积核可视为由权重函数和密度函数组成的3D点局域坐标的非线性函数,可用于对3D空间中任意点集进行平移不变和置换不变的卷积,并融合多尺度采样分组和法向特征使网络达到最佳效果。在ModelNet40和ModelNet10数据集的分类实验中,该网络分别取得了92.8%和94.7%的准确率,均高于所对比的同类方法的性能水平。将CIFAR-10和MNIST图像数据集转为点云并进行测试,结果表明网络在2D图像中的性能基本等效于传统2D卷积网络。