一種魯棒的多特征點云分類分割深度神經網絡

田鈺杰，管有慶，龔 銳

（南京郵電大學 物聯網學院，南京 210023）

0 概述

點云是一種常用的三維圖形表示方式，許多場景都是基于點云進行三維環境感知和交互的，對點云進行分類和分割是目前深度學習領域的研究熱點。點云數據是傳感器最原始的數據形式，主要采用深度學習處理點云。點云具有無序性，可利用深度神經網絡強大的學習能力解決點云數據的排序問題。PointNet［1］和Deep Set［2］利用對稱函數處理無序的點云，從而對其進行優化。PointNet++［3］對PointNet 方法進行擴展，通過多尺度優化局部特征提取性能。DGCNN［4］深度神經網絡根據絕對坐標計算空間中的局部區域，通過計算點的邊緣特征學習邊緣特征與其他特征之間的關系。VoxNet［5］將采樣三維的點送入32×32×32 的三維網格，進而由三維卷積神經網絡（Convolutional Neural Network，CNN）進行處理，但該網絡計算量較大。曾碧等［6］提出一種聚類算法融合特征的方法，通過聚類算法對學習到的特征進行融合，用于解決點云室內場景分割。MVCNN［7］從點云中采樣80 個視圖，將它們投影到二維空間并進行二維的CNN 處理。楊曉文等［8］提出一種基于八叉樹的CNN，構造高效的八叉樹結構化來表示三維點云，將卷積計算限制在八叉樹節點上，不需要投影到二維空間且能減少一定的計算量。SO-Net［9］網絡結構使用自組織映射（Self-Organization Map，SOM）進行分層特征提取。

研究者利用多層感知機（Multilayer Perceptron，MLP）提取每個點的語義特征以處理點云數據，但這類方法不能很好地學習點的局部特征且魯棒性較差。在點云分類分割中，既要考慮輸入點的全局特征，也要考慮點與點之間的局部關系。……