PointPCA:一种三维空间点云的特征提取算法

作者：季钰林; 钟剑丹; 李英祥; 傅俊杰; 刘家威

来源：计算机应用研究, 2023, 40(01): 294-298.

DOI：10.19734/j.issn.1001-3695.2022.03.0214

• PointPCA
• average point sampling
• 多尺度空间特征提取
• 特征向量

点云是一个庞大点的集合而且拥有重要的几何结构。由于其庞大的数据量，不可避免地就会在某些区域内出现一些相似点，这就使得在进行特征提取时提取到一些重复的信息，造成计算冗余，降低训练的准确率。针对上述问题，提出了一种新的神经网络——PointPCA,可以有效地解决上述问题；在PointPCA中，总共分为三个模块：a)采样模块，提出了一种average point sampling(APS)采样方法，可以有效地规避一些相似的点，得到一组近似代表这组点云的新的点集；b)特征提取模块，采用分组中的思想，对这组新的点的集合进行多尺度空间特征提取；c)拼接模块，将每一尺度提取的特征向量拼接到一起组合为一个特征向量。经过实验表明，PointPCA比PointNet在准确率方面提升了4.6%,比PointNet++提升了1.1%;而且在mIoU评估测试中也有不错的效果。

• 单位
  成都信息工程大学