.png){kind=icon}
返回
Point cloud semantic segmentation network based on graph convolution and attention mechanism
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2024.109790.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云数据提供了丰富的三维空间信息。准确的三维点云语义分割算法增强了环境理解和感知能力，在自动驾驶和场景分析等领域具有广泛的应用。然而，图神经网络在特征提取过程中往往难以保留邻近点之间的语义关系，可能导致聚合过程中遗漏关键特征。为解决这些挑战，我们提出了一种新型网络——特征增强残差注意力网络。该网络包含一个创新的图卷积模块——邻域增强卷积聚合模块，该模块利用K近邻和扩张K近邻技术构建多样化的动态图并进行特征聚合，从而优先处理重要信息。这种方法显著提升了网络的表达能力和泛化能力。此外，我们引入了一个新的空间注意力模块，用于捕捉点之间的语义关系。实验结果表明，特征增强残差注意力网络在Stanford Large-Scale Three-dimensional Indoor Spaces数据集上优于基准模型，实现了61.3%的平均交并比和86.7%的整体准确率，从而显著提升了语义分割性能。
Keyword:
Point cloud
Graph convolution
Semantic features
Spatial attention
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
分享收藏Dynamic graph convolution with spatial attention for point cloud classification and segmentation
PREAI
分享收藏
查看更多内容