基于图游走和图注意力的点云分类与分割

针对点云特征提取中远距离特征和局部几何结构信息欠缺的问题，提出了一种基于图游走和图注意力的点云分类与分割网络。首先，利用带有导向性的图游走算法，对点云全局特征补充额外的几何信息和远距离特征信息；其次，嵌入图注意力机制，使模型聚焦于点云的关键区域，提升网络的特征提取能力；最后，在初始点云中提取距离特征作为初始残差嵌入到网络中，避免网络过平滑。在ModelNet40数据集、ScanObjectNN数据集进行了点云分类实验，在ShapeNetPart数据集与Toronto-3D数据集上分别进行了点云部件分割与点云语义分割实验，实验结果表明：相较于基准网络DGCNN,分类精度分别提升了1.3百分点、5.6百分点；分割精度分别提升了1.2百分点、33.1百分点。通过在ModelNet40-C数据集上进行稳健性分析，验证了所提网络具有较强的鲁棒性。