融合kd tree邻域查询的深度学习点云分类网络

作者：马杰; 王旭娇; 马鹏飞; 杨立闯; 王楠楠

来源：深圳大学学报(理工版), 2020, 37(01): 79-83.

• 计算机神经网络
• 深度神经网络
• 深度学习
• 点云分类
• 邻域查询
• k维树
• ModelNet40

为解决PointNet++精度较低、耗时较长,且对输入点的噪声敏感的缺陷,引入一种高效的k维树(k-dimensional tree,kd tree)邻域查询方法,通过构建kd tree查找查询点周围指定半径内的近邻点,构造局部区域集,完成在PointNet++分组层上的局部特征提取.针对原网络训练过程中存在的过拟合问题,引入随机失活(dropout)正则化,减少网络收敛训练的时间.在Ubuntu14. 04系统下搭建TensorFlow的图形处理器深度学习环境,并在ModelNet40数据集上进行训练和测试.实验结果表明,分别为当查询半径为0. 1、0. 2和0. 3时,该查询方法的分类准确率分别为91. 1%、92. 1%和94. 3%,皆优于PointNet++方法,且网络训练用时更短.改进后的结构在斯坦福三维语义分析数据集(Stanford 3D semantic parsing dataset)上进行语义分割实验平均交并比(mean intersection over union,MIoU)达57. 2%,且其对于遮挡物体的鲁棒性更高.

• 单位
  电子信息工程学院; 河北工业大学