针对复杂场景处理的点云深度学习网络

点云数据的分类和语义分割在自动驾驶、智能机器人、全息投影等领域中有着重要应用。传统手工提取点云特征的方式，以及将三维点云数据转化为多视图、体素网格等数据形式后再进行特征学习的方式，都存在处理环节多、三维特征损失大等问题，分类和分割的精度较低。目前可以直接处理点云数据的深度神经网络Pointnet忽略了点云的局部细粒度特征，对复杂点云场景的处理能力较弱。针对上述问题，提出了一种基于动态图卷积和空间金字塔池化的点云深度学习网络。该网络在Pointnet的基础上使用动态图卷积模块来替换Pointnet中的特征学习模块，增强了网络对局部拓扑结构信息的学习能力。同时设计了一种基于点的空间金字塔池化结构来捕获多尺度局部特征，该方式比Pointnet采用的多尺度采样点云、重复分组进行多尺度局部特征学习的方法更加简洁高效。实验结果表明，在点云分类和语义分割任务的3个基准数据集上，所提网络相较于现有网络具有更高的分类和分割精度。