扩展点态卷积网络的点云分类分割模型

目的 点态卷积网络用于点云分类分割任务时，由于点态卷积算子可直接处理点云数据，逐点提取局部特征向量，解决了结构化点云带来的维度剧增和信息丢失等问题。但是为了保持点云数据结构的一致性，点态卷积算子及卷积网络模型本身并不具有描述点云全局特征的结构，因此，对点态卷积网络模型进行扩展，扩展后的模型具有的全局特征是保证分类分割准确性的重要依据。方法 构造中心点放射模型来描述点云逐点相对于全局的几何约束关系，将其引入到点态卷积网络的特征拼接环节扩展特征向量，从而为点态卷积网络构建完善的局部—全局特征描述，用于点云数据的分类分割任务。首先，将点云视为由中心点以一定方向和距离放射到物体表面的点的集合，由中心点指向点云各点的放射矢量，其矢量大小确定了各点所存在的曲面和对于中心点的紧密程度，矢量方向描述了各点对于中心点的包围方向及存在的射线。进而由点云中的坐标信息得到点云的中心点，逐点计算放射矢量构造中心点放射模型，用以描述点云的全局特征。然后，利用点云数据的坐标信息来检索点的属性，确定卷积中参与特定点卷积运算的邻域，点态卷积算子遍历点云各点，输出逐点局部特征，进一步经多层点态卷积操作得到不同深度上的局部特征描述。最后，将中心点放射模型的全局特征和点态卷积的局部特征拼接，完成特征扩展，得到点态卷积网络的扩展模型。拼接后的局部—全局特征输入全连接层用于类标签预测，输入点态卷积层用于逐点标签预测。结果 在ModelNet40和S3DIS（Stanford large-scale 3D indoor spaces dataset）数据集上分别进行实验，验证模型的分类分割性能。在ModelNet40的分类实验中，与点态卷积网络相比，扩展后的网络模型在整体分类精度和类属分类精度上分别提高1.8%和3.5%，在S3DIS数据集的分割实验中，扩展后的点态卷积网络模型整体分割精度和，类属分割精度分别提高0.7%和2.2%。结论 引入的中心点放射模型可以有效获取点云数据的全局特征，扩展后的点态卷积网络模型实现了更优的分类和分割效果。

Extended pointwise convolution network model for point cloud classification and segmentation