面向点云任务的数据处理方法研究.pdfVIP

摘要

摘要

近年来，随着三维采集技术的快速发展，机器通过三维数据可以获得周围环

境丰富的几何、形状和尺度信息，三维数据处理成为计算机视觉领域的一个重要

研究方向。点云作为一种常用的三维数据表示形式，在不进行离散化的情况下保

留了三维空间中的原始几何信息，它是许多场景理解相关应用的首选表示，如自

动驾驶、机器人技术、增强现实等。在这些场景理解的应用过程中，对点云构成

的三维数据语义理解是一个重要的研究课题。

点云任务往往面临各种各样的问题，其中一个非常值得探索的问题就是如何

精确地取点云的局部特征信息。对点云的局部信息进行显著表达涉及采样和特

征取两个重要阶段。在采样阶段，现有的采样算法难以在固定采样数量的情况

下保证局部采样的均匀性。在特征取阶段，基于Transformer结构的网络模型展

现出了优秀的全局建模能力，但是这些模型的局部特征取能力仍需进一步地探

索。本文针对这两个阶段存在的问题探索有效的解决策略，主要工作如下：

（1）基于密度考虑的采样策略：基于密度考虑，出了区域密度自适应采

样、密度权重维度学习采样以及删点采样算法，以不同方式优化采样过程，从而

更有效地保留原始点云数据的局部结构特征。

（2）基于Transformer架构的位置敏感特征取模型PNNTR：基于无参数网

络模块考虑，出重视点云的点之间位置距离的位置敏感特征取模块，并结合

Transformer架构出了位置敏感的特征取模型PNNTR，能够在分类和分割任

务上相较于基线模型实现更高的精度。

（3）适用于点云目标检测任务的Transformer模型PNNTD：在点云目标检测

任务中，为了融合全局与局部特征取的优势，本文设计了一种基于Transformer

的模型PNNTD。该模型综合了PNNTR模型的局部感知能力和Transformer模型

的全局建模能力，展现出优越的目标检测性能，与现有先进模型相比具有竞争力。

关键词：深度学习，三维点云，注意力机制，特征取

I

ABSTRACT

ABSTRACT

Inrecentyears,withtherapiddevelopmentof3Dacquisitiontechnology,machines

canobtainrichgeometric,shape,andscaleinformationabouttheirsurroundingsthrough

3Ddata,making3Ddataprocessinganimportantresearchdirectioninthefieldof

computervision.Pointclouds,asacommonformof3Ddatarepresentation,retainthe

originalgeometricinformationinthree-dimensionalspacewithoutdiscretization.They

arethepreferredrepresentationformanysceneunderstandingapplications,suchas

autonomousdriving,robotics,augmentedreality,etc.Intheseapplicationsofscene

understanding,semanticunderstandingof3Ddataconstitutedbypointcloudsisan

importantresearchtopic.

Pointcloudtasksoftenfacesavarietyofchallenges,amongwhichaparticularly

noteworthyis