融合局部特征提取与互补注意力的点云分类网络OA

近年来,随着三维传感技术的快速发展,点云数据在环境光学遥感、自动驾驶等领域的应用日益广泛。然而,点云数据的无序性、稀疏性及现有方法对特征重要性差异的考虑不足,导致其特征表示能力受限,同时如何在低复杂度下保持几何结构信息仍存在挑战。为解决这些问题,本文提出了一种融合局部特征提取模块(LFEM)与锐-缓互补注意力模块(SGCAM)的点云分类网络,并配合投票分类机制增强模型的鲁棒性和分类精度。该分类网络通过协同作用,有效提取点云数据的全局与局部特征,捕获不同通道的特征重要性,并减少冗余信息,同时充分保留几何结构特征。在ModelNet10和ModelNet40两个数据集上的实验表明,该方法在分类精度、鲁棒性和模型复杂度方面都具有优异的表现。在ModelNet10数据集上的分类精度达96.1%,在ModelNet40数据集上为93.0%。本方法为三维点云分类任务提供了高效且精准的解决方案,具有广阔的应用前景。