BTDGCNN:面向三维点云拓扑结构的BallTree动态图卷积神经网络

作者：张学典; 方慧

来源：小型微型计算机系统, 2022, 43(11): 2342-2347.

DOI：10.20009/j.cnki.21-1106/TP.2021-0341

• 三维点云
• 图卷积神经网络
• 分类
• 分割

点云卷积网络对点云进行分割分类时，独立提取点云特征却忽略了点之间的几何关联，从而丢失了许多局部特征.而对稀疏、无结构、无序的点云进行输入转换则会导致数据变得更加庞大，卷积效率降低.为此构建了面向三维点云拓扑结构的BallTree动态图卷积神经网络，利用Bat-Net变换网络(BallTree transfromation network)对初始无序点云进行空间变换，恢复点云的拓扑结构和距离向量，提高点云中各个点间的关联性，结合三层BAT边卷积模块(BallTree edge convolution network),提升其信息表征能力，以便更好地进行分类分割任务.实验结果表明，该方法在ModelNet40数据集上的分类性能均优于其他五种方法，分别提高了4.4%、2.9%、1.3%、2%和1.4%.同时在ShapeNet Parts数据集上的分割的平均交并比分别提高了1.7%、0.3%、0.3%、0.3%、0.3%,有效地提升了三维点云的分类分割性能.

• 单位
  上海理工大学