基于改进PointNet++的Lidar点云分割模型

摘要

针对PointNet++在特征提取阶段未能深层挖掘Lidar点云的语义特征及其在特征聚合阶段采用最大池化聚合导致特征丢失,进而导致点云分割精度下降的问题,通过改进PointNet++的特征提取及特征聚合模块,提出一种基于特征偏差值和注意力机制的点云分割模型。首先,利用球形采样获取不同的局部邻域,并采用K最近邻(KNN)算法筛选邻域点,计算不同邻域的特征偏差值,获取点云的深层语义信息,增强模型对不同局部邻域的识别能力;其次,利用基于注意力机制的特征聚合模块代替PointNet++中的最大池化模块,在聚合特征阶段学习不同特征的权重,从而提高模型对不同结构信息的筛选能力,增强模型的分割性能;最后,为了进一步优化模型架构,在全连接层中加入残差模块,共享权重,避免参数冗余,提升模型性能。基于ISPRS提供的Vaihingen数据集与斯坦福的S3DIS数据集进行实验验证,实验结果表明,所提模型总体精度达到86.69%,较PointNet++提高了5.49个百分点,同时平均F1得分达到了73.97%,较PointNet++提高了8.30个百分点。在S3DIS数据集上的实验结果表明,与PointNet++、RandLA-Net和ConvPoint等主流模型相比,所提模型结果较PointNet++也有提升,即相较于PointNet++的分割结果,改进后的模型能够充分提取点云的语义特征,有效提高模型分割精度。