基于可变形图卷积的点云表征学习

TP391.41; 虽然深层神经网络较为成功地解决了点云数据稀疏和不规则等问题,但是点云局部特征的学习仍然是一个非常具有挑战性的问题.现有的用于点云表征学习的网络存在点与点之间相互独立提取特征的问题,为此提出了一种全新的空域图卷积.首先,在构造图结构时提出了自适应空洞K近邻算法,以最大程度地捕获局部拓扑结构信息;其次,在卷积中加入了卷积核每条边与感受野图之间的角度特征,保证了更具鉴别力的特征提取;最后,为了充分利用局部特征,提出了一种全新的图金字塔池化,以更好地融合多尺度特征.在标准公开数据集ModelNet40和ShapeNet上测试该算法,分别取得了93.2％ 与86.5％的准确度.实验结果表明,该算法在点云表征学习中处于领先水平.