位置自适应卷积PointNet++的点云数据分类方法.pdfVIP

计算机与现代化

2025年第1期JISUANJIYUXIANDAIHUA总第353期

文章编号：1006-2475（2025）01-0044-06

位置自适应卷积PointNet++的点云数据分类方法

闫晓奇，彭逸清，任小玲

（西安工程大学计算机科学学院，陕西西安710660）

摘要：针对复杂场景中点云数据分类精度低问题，提出一种基于位置自适应卷积的PointNet++深度神经网络模型。由于

位置自适应卷积具有较强捕捉细粒度局部特征能力，能充分获取三维点云的空间变化和几何结构特征信息，故本文在

PointNet++基础上，首先通过最远点采样获取关键点，其次根据关键点使用K最近邻方法(KNN)实现分组，然后由位置自

适应卷积代替原方法中的MLP提取每组的局部特征，最终完成点云分类。在2个公开的点云数据集S3DIS、Semantic3D

上对本文方法进行多次对比实验，实验结果表明，本文方法在室内数据集S3DIS上的总体精度和mIoU较PointNet++网络

分别提高约2.7个百分点和3.2个百分点，在室外数据集Semantic3D上的总体精度和mIoUPointNet++分别高出约2.5个

百分点和2.1个百分点。

关键词：点云分类；位置自适应卷积；PointNet++；深度学习；局部特征

中图分类号：TP391文献标志码：ADOI:10.3969/j.issn.1006-2475.2025.01.008

PointCloudDataClassificationMethodofPointNet++withPositionAdaptiveConvolution

YANXiaoqi，PENGYiqing，RENXiaoling

（SchoolofComputerScience，Xi’anPolytechnicUniversity，Xi’an710660，China）

Abstract:Aimingattheproblemoflowclassificationaccuracyofpointclouddataincomplexscenes，aPointNet++deepneural

networkmodelbasedonpositionadaptiveconvolutionisproposed.Sinceadaptivepositionconvolutionhasstrongabilitytocap‐

turefine-grainedlocalfeaturesandcanfullyobtainthespatialvariationandgeometricstructurefeatureinformationofthree-

dimensionalpointclouds，onthebasisofPointNet++network，theproposedmethodinthispaperfirstobtainsthekeypoints

throughthefarthestpointsampling，andthenusestheKnearestneighbormethodtorealizegroupingaccordingtothekeypoints，

andthenusingtheadaptivepositionconvolutionreplacestheMLPintheoriginalmethodtoextractthelocalfeaturesofeach

group，andfinallycompletesthepointcloudclassification.Theproposedmethodwascomparedontwopublicpointclouddatas‐

etsS3DISandSemantic3D.ExperimentalresultsshowthattheoverallaccuracyandmIoUoftheproposedmethodontheindoor

datasetS3