科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于硬件条件、物体遮挡和背景杂波等客观因素的影响，传感器采集的目标点云具有较强的稀疏性和密度不均匀性，导致分类模型对点云特征的学习效率低，分类泛化能力差。针对这个问题，（本文）提出了一种基于多级自适应下采样的点云分类模型PointMLP-FD（Feature-driven）。模型中设计了多个MLP模块作为网络分支，以点云的浅层特征为输入得到每个点云类别维度上的特征表达，之后再根据特征表达进行排序，选择具有更强语义特征的点构成下采样点集。通过过滤背景和与目标相关性低的信息来自适应保留反应目标本质特征的信息。最后分别计算分支网络的损失，与骨干网络并行训练来优化点云特征，减少模型参数。该文的方法在ScanObjectNN数据集上进行测试，结果表明相较于PointMLP-elite分类精度更高，mAcc提升1%，OA提升0.8%，以更少的参数量接近SOTA模型的性能。
- 单位
