基于DenseNet与PointNet融合算法的三维点云分割

作     者：吴烈权 周志峰 时云 任朴林 WU Liequan;ZHOU Zhifeng;SHI Yun;REN Pulin

作者机构：上海工程技术大学机械与汽车工程学院上海201620 上海航天设备制造总厂有限公司上海200245 空装驻常州地区军事代表室江苏常州213100 

出 版 物：《应用光学》 (Journal of Applied Optics)

年 卷 期：2024年第45卷第5期

页      面：982-991页

学科分类：070207[理学-光学] 07[理学] 08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0702[理学-物理学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划(2021YFB1714600) 

主　　题：点云分割 密集连接卷积网络 PointNet DenseNet-PointNet 

摘      要：点云分割对于智能驾驶、物体检测和识别、逆向工程等任务非常重要。PointNet是一种能够直接处理点云数据的方法,近年来在点云分割任务中得到广泛应用,但其分割精度较低,而PointNet++的计算成本又较高。针对以上问题,提出一种融合DenseNet和PointNet的算法,用于点云分割,并引入三分支混合注意力机制,以提高PointNet在提取局部特征方面的能力。基于密集连接卷积网络(DenseNet)思想,提出用DenseNet-STN和DenseNet-MLP结构来替代PointNet中的空间变换网络(STN)和多层感知机(MLP);同时,使用Add连接代替密集块(DenseBlock)中的Concat连接,以提高对点特征间相关性的准确性,同时不显著增加模型复杂度。DenseNet-PointNet能够提高复杂分类问题的泛化能力,实现对复杂函数更好的逼近,从而提高点云分割的准确率。有效性和消融实验结果表明,本文算法具有良好的性能。点云分割实验结果表明,DenseNet-PointNet在大多数类别中的交并比(IoU)都高于PointNet的IoU,并在部分类别中也高于PointNet++,参数量是PointNet++的47.6%,浮点运算量(FLOPs)是PointNet++的49.1%。实验结果验证了DenseNet-PointNet的可行性和有效性。