基于多尺度图卷积的点云分类网络*

胡永东，张正文，李 婕

（湖北工业大学 电气与电子工程学院，湖北 武汉430068）

1 概述

传统的点云分类方法是通过人工设计一系列的特征，然后使用合适的分类器对三维点云直接进行分类[1]。这种分类方法在很多特定场景中取得了成功，但该分类方法只能在特定数据集下实现不错的分类效果，应用到新的数据集中效果并不是很理想[2]。

近些年，深度学习在计算机视觉领域快速发展。常用的方法是先将三维点云数据进行体素化，使其变成规则的三维网格结构[2]，然后使用三维卷积神经网络对规则化后的数据进行操作。但是随着点云密度的增长，这种方法所需要的内存和计算量将会随分辨率的提高呈三次方增长。所以该方法只适用于较浅的三维网络模型。在2017年，Qi 等提出了PointNet 网络[3]，通过使用多层感知器（MLP）学习每个点的高维特征，同时，将最大池化层作为对称函数，实现了对无序点云的直接处理，网络获得了不错的分类效果。但PointNet 无法获取每个点的邻域几何信息，所以在复杂的点云场景中使用时，表现不佳。之后，Qi 等又提出了PointNet++[3]，该网络使用欧氏距离差值法对点进行上采样，并将插值计算得到的语义特征与低层学习的语义特征融合，从而获取到每个点更加丰富的语义特征，但该方法对局部空间内每个点进行的依旧是单独处理，仍有部分结构信息的损失。

近些年，由于图卷积在二维图像处理领域获得了较好的效果。在2018年，Wang 等人提出了一种动态图卷积神经网络DGCNN[2]，通过引入边缘卷积模块来获取到点云数据的局部特征，获得较好的分类效果。……