级联边缘卷积与注意力机制的点云分类分割研究OA北大核心CSTPCD

近几年点云的分类分割研究多采用多层次架构提取点云特征的方法,提取到较为稳定的高层语义特征,但是全局特征和邻域特征提取不足并且缺乏对上下文信息的特征融合。因此,提出一种新的LAM-EdgeCNN网络,采用边缘卷积与注意力机制级联的方式对点云进行多层级特征提取,获取高层次特征信息。为了加强对特定通道特征和关键空间点的捕捉,提出一种轻量型LAM注意力机制,使用CAM特征通道注意力获取各通道的关联,定位关键通道特征的捕获,使网络更加关注特定通道特征以减少信息弥散和特征冗余;引入SAM空间注意力机制获取点空间的位置信息的注意力权重,增加获得浅层信息的细粒度。采用注意力机制与边缘卷积EdgeConv相结合的方式,增强上下文感知能力,充分提取和融合点云的局部特征和上下文特征,获得面向下游任务的点云特征。将模型应用于公开数据集,实验表明,模型在点云分类、部件分割、语义分割任务中取得良好效果且具有较好鲁棒性。