面向点云分类和分割的形状自适应特征聚合网络.pdfVIP

第33卷第5期光学精密工程Vol.33No.5

2025年3月OpticsandPrecisionEngineeringMar.2025

文章编号1004-924X（2025）05-0777-12

面向点云分类和分割的形状自适应特征聚合网络

112112*1*

蒋志豪，张美香，薛卫涛，付莉娜，文静，李永强，黄鸿

（1.重庆大学光电技术与系统教育部重点实验室，重庆400044；

2.北京空间机电研究所产品检测中心，北京100094）

摘要：点云分类与分割在机器人导航、虚拟现实以及自动驾驶领域应用广泛，大多面向点云处理的深度学习方法采用共

享权重的多层感知机（MultiLayerPerceptron，MLP）以及单一的池化来聚合点云的局部特征，难以准确地描述排列复杂

的点云结构信息。针对上述问题，提出一种点云形状自适应的局部特征编码方法，以有效表征形状多样的点云结构信

息，提升点云分类和分割性能。该方法首先引入一种自适应特征增强模块，采用差分和可学习的调节因子对特征进行增

强，弥补共享权重MLP描述能力不足的问题。在此基础上，设计了一种特征聚合模块，利用点云的绝对空间距离赋予不

同点不同权重以适应形状多变的点云结构信息，突出有代表性的点集，更加准确地描述点云的局部结构信息。在3个大

型公开点云数据集上进行实验，结果表明，在ModelNet40数据集上取得了93.9%的总体实例分类精度，在分割数据集

ShapeNet和S3dis上分别取得了85.9%，59.7%的总体实例平均交并比（meanIntersectionoverUnion，mIoU），本文提

出的方法在点云分类和分割任务上表现优秀。

关键词：深度学习；点云分类；点云分割；局部特征聚合

中图分类号：TP751.2文献标识码：A

doi：10.37188/OPE..0777CSTR：32169.14.OPE..0777

Shapeadaptivefeatureaggregationnetworkfor

pointcloudclassificationandsegmentation

JIANGZhihao1，ZHANGMeixiang1，XUEWeitao2，FULina1，

WENJing1，LIYongqiang2*，HUANGHong1*

（1.KeyLaboratoryofOptoelectronicTechnologyandSystem，MinistryofEducation，

ChongqingUniversity，Chongqing400044，China；

2.ProductTestingCenter，BeijingInstituteofSpaceMachineryandElectronics，Beijing100094，China）

*Correspondingauthor，E-mail：hhuang@cqu.edu.cn；99yongqiang163.com

Abstract：Theclassificationandsegmentationofpointcloudsarewidelyapplicableinroboticnavigation，

virtualreality，andautonomousdri