结合跨维度注意力及反冗余机制的点云分类方法OA

针对点云分类中冗余信息比例高、捕捉特征关系不足的问题,设计了跨维度注意力(CDA)模块和动态反冗余(DAR)模块,将其与Transformer网络结合进行点云分类。跨维度注意力模块使通道能够以统一方式进行空间关注,在获取空间信息的同时能更好地捕捉全局特征;而动态反冗余模块通过生成通道之间的相似性矩阵,有效筛选冗余信息,解决点云中冗余信息比例较高的问题。两个模块的结合旨在整合通道和空间注意力,提升点云分类的性能。在ScanObjectNN和ModelNet40数据集上进行实验验证,在ScanObjectNN上分类准确率达到88.5%,在Model-Net40上分类准确率达到94.7%。实验结果显示,提出的网络可以排除点云冗余信息,捕捉数据多维度特征,提升检测精度。