轻量级实时点云分类网络LightPointNet

摘要

点云数据的无序性、稀疏性和有限性等特点给基于深度学习的点云模型分类带来了较大的困难.现有的面向点云的深度学习网络存在模型架构复杂、训练参数较多的问题,难以适用于实时点云识别任务,为此提出一种轻量级实时点云网络——LightPointNet.首先,基于点云模型的特点及轻量级点云分类网络的设计原则,提出面向点云模型分类的深度学习网络原型;然后,通过控制变量法完成网络参数设置的优化,形成最终的点云网络LightPointNet.该网络结构紧凑,仅包含3层卷积, 1层池化和1层全连接,且其参数个数不到0.07M.实验结果表明,在ModelNet40上,相比PointNet,VoxNet和LightNet,LightPointNet分类精度分别提高了0.29%,6.49%和2.59%,参数量减少了98.0%,92.4%和76.6%;在MINST和SHREC15上,该网络拥有良好的普适性;这些结果充分证明了LightPointNet分类性能良好且计算效率高,具有轻量级、实时性优点,可以部署在嵌入式设备中,在物联网和点云实时处理等方面具有广阔的应用前景.