计算机工程

作者：张毅, 林云汉, 刘双元

单位：1. 武汉科技大学 计算机科学与技术学院, 武汉 430065;2. 智能信息处理与实时工业系统湖北省重点实验室, 武汉 430065;3. 武汉科技大学 机器人与智能系统研究院, 武汉 430081

关键词：点云,采样,最远点采样,长短期记忆网络,注意力机制

基金：国家自然科学基金（62073249）；湖北省自然科学基金青年项目（2020CFB116）；湖北省技术创新专项重大项目（2019AAA071）。

在直接处理点云的三维神经网络中，采样阶段实现了对原始点云中关键点的筛选，对于整个网络的性能及网络的抗噪能力具有重要作用。目前主流的最远点采样（FPS）方法在处理大规模3D点云数据时计算量大且耗时，并且低采样率时经过FPS采样后模型性能下降明显。针对这两个问题，提出一种面向低采样率的点云数据处理网络AS-Net。设计一个新的采样模块代替原backbone中的FPS，其由两个Layer组成，每个Layer基于长短期记忆网络获取原始点云与采样点云之间的联系权重，从而高效提取关键信息，去除冗余信息。在此基础上，利用注意力机制选择特征值较高的原始点云作为采样点，采样点作为后序任务的关键点输入到网络，进一步提高网络模型性能。基于ModelNet40数据集的实验结果表明，在低采样率条件下，AS-Net仍可达到81.6%的分类准确率，与使用FPS作为采样方法的网络模型相比提高52.7%。此外，其对噪声干扰具有很强的鲁棒性，对于大场景的分割时间效率优于同类采样方法。

来源：2022年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第11期