轻量级的三维点云识别方法

欧阳宁，陆兆能，林乐平

(1.桂林电子科技大学 认知无线电与信息处理省部共建教育部重点实验室，广西 桂林 541004； 2.桂林电子科技大学 信息与通信学院，广西 桂林 541004)

0 引 言

近年来，卷积神经网络(convolutional neural network，CNN)在图像识别[1]、图像去模糊[2]、图像分割[3]等领域取得的突破性进展已经影响到了三维点云识别领域。斯坦福大学的Qi等[4]提出将CNN直接应用于不规则点云的开创性方法，该方法利用CNN强大的特征学习能力来逐点地提取点云高维特征，提高点云识别性能。然而，该方法没有考虑点云的局部结构特征，限制网络识别细粒度特征的能力。因此，许多学者通过设计多层级或多尺度的网络结构来获取丰富的局部结构特征，以提高网络模型的识别准确率。然而，点云信息量有限，多层级或多尺度的网络结构会提取大量的冗余信息，导致网络模型时间和空间复杂度高的问题。

针对以上问题，本文提出一种轻量级的三维点云识别方法(LPCR-Net)。该方法通过在点云空间构建一种高效的K近邻图来获取点云的局部结构信息，以保证网络模型取得高识别准确率的前提下降低计算复杂度。首先，使用最远点采样法[5](farthest point sampling，FPS)从原始点云中获取采样点，以采样点作为K近邻图的节点，能够大幅度减少冗余的局部结构信息，同时降低计算复杂度。其次，使用注意力机制[6]来突出局部区域不同K近邻点的重要性，以增强局部结构特征的表达能力。然后，利用分组卷积[7]提取高层次的局部结构特征的同时减少卷积层的参数量。……