.png){kind=icon}
返回
Point Cloud Classification and Segmentation Network Based on Adaptive Feature Extraction
.png){kind=icon}
OA
AI
DOI：10.3390/s26123689.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云分类与分割是3D感知和场景理解的关键技术，其准确性和效率直接影响3D建模、物体识别和智能交互等高级应用的性能。现有方法在局部特征表示、计算效率及场景适用性方面仍存在明显不足。为解决这些问题，本文提出了一种基于自适应特征提取的轻量级点云分类与分割网络，简称AFE-PointNet。首先，设计了一个基于Hadamard积的逐元素加权集抽象模块，利用几何拓扑学习实现自适应特征增强，有效提升局部几何结构的表示能力。同时，采用特征聚合的级联结构及倒残差多层数值感知器（InvResMLP）进行深度特征挖掘，实现高精度、高效率的点云分类与分割。实验结果表明，AFE-PointNet在ModelNet40数据集上达到93.6%的总体准确率（OA），在ScanObjectNN数据集上达到84.5%，在ShapeNetPart部件分割数据集上达到83.6%的类别平均交并比（Cls.mIoU），相比PointNet++模型性能显著提升。所提出的自适应特征增强和轻量级深度挖掘策略有效提升了点云的表示能力，为3D视觉任务提供了高精度、高效的解决方案。
Keyword:
point cloud classification
point cloud segmentation
adaptive feature extraction
Hadamard product
inverted residual MLP
lightweight network
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
EDGCNet: Joint dynamic hyperbolic graph convolution and dual squeeze-and-attention for 3D point cloud segmentationEDGCNet: 用于3D点云分割的联合动态双曲图卷积和双重挤压和注意
PREAI
分享收藏Context-based local-global fusion network for 3D point cloud classification and segmentation基于上下文的局部-全局融合网络的三维点云分类与分割
PREAI
分享收藏SCA-Net: Spatial and channel attention-based network for 3D point cloudsSCA-Net：基于空间和通道注意力机制的3D点云网络
PREAI
分享收藏
查看更多内容