局部-全局特征融合的点云分类和分割方法
Abstract
目前深度学习方法在处理点云数据时存在特征挖掘与融合不充分的问题，抑制了点云分类和分割的精度。针对该问题，提出一种局部-全局特征融合的点云分类与分割网络架构LGNet。该网络首先采用局部-全局动态图特征更新机制，以获取更有利于点云分类和分割的深层特征。然后在局部特征提取阶段，结合图卷积神经网络和局部注意力机制提取双分支局部特征，并使用设计的自适应特征融合模块整合特征，以获取丰富的局部细粒度特征。接着在全局特征提取阶段，使用带有残差连接的全局自注意力机制获取点云的区域间关系，以深化对整体结构的理解。最后通过通道注意力机制有效减少特征冗余，增强通道间的差异化表达能力。在ModelNet40、ShapeNet Part和S3DIS数据集上的实验结果表明，所提算法在形状分类任务中取得92.2%的分类总体准确度，在部件分割任务和场景语义分割任务上分别实现了86.3%和60.1%的实例分割平均交并比。
Fields of Study & Subjects
3D Shape Modeling and Analysis
Advanced Neural Network Applications
Domain Adaptation and Few-Shot Learning
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0237001–0237001
- Publication date
- 1 January 2026
- Language
- EN