融合可变形核和自注意力的点云分类分割边卷积网络

点云数据具有无序性和离散分布的特点, 传统动态图卷积方法在处理点云数据时仍充满挑战, 无法准确地表示三维点间的特征对应关系。为此, 提出一种融合可变形核和自注意力的点云分类分割边卷积网络DKSA-Net, 该网络由DKConv (Deformable Kernels Edge Convolution)模块和SAConv (Self-Attention Edge Convolution)模块组成。通过融合可变形核与边卷积构建DKConv模块, 能够动态学习点的特征, 生成可变形核, 不会忽略不同特征之间的对应关系, 从而更好地处理不同特征之间的对应关系。引入自注意力机制, 并与边卷积结合构建SAConv模块, 能够对特征进行更细粒度的特征提取, 充分捕捉点云的重要特征, 增强模型的判别能力。实验结果表明, DKSA-Net在ModelNet40和ShapeNet数据集上取得出色性能, 分别达到93.4%的总体精度(OA)、90.7%的平均精度(mAcc)和86.1%的平均并交比(mIoU), 且有着较低模型复杂度和较好鲁棒性, 具有优秀的点云数据处理能力。