设计应用

基于动态图卷积的点云补全网络

作者:季建杰1,刘杰2,邵剑飞1,张建华3
发布日期:2023-05-31
来源:电子技术应用 2023年6期

0 引 言

近年来,点云作为一种较好的三维形状表达,广泛应用于自动驾驶、计算机视觉领域。然而在实际应用中,由于设备分辨率或者存在遮挡等不可避免的原因,捕获的点云往往是残缺的,因此,更好地补全缺失点云是现在亟待解决的问题。

基于深度学习的方法处理点云已经取得了诸多进展,PointNet[4]是首次将深度学习应用在点云中,设计了针对点云的特征提取模块。PointNet++将最远点采样和基于半径的球查询引入到了点云的特征提取中,用于选定局部区域点云,但这种方法仅仅局限于区域中的单个点,缺少了和其他点的拓扑信息。点云补全网络(PCN)是直接从点中提取特征,然后通过解码器输出完整点云,由于PCN使用的是PointNet的点云特征提取模块,导致对于局部特征没有很好地提取。Wang等提出的动态图卷积神经网络(DGCNN)对每个输入点云的点,都计算其K近邻的点之间的边特征,从而得到点云的局部特征,有很好的局部特征提取能力。但当输入的点云较为稀疏时,其K近邻已不能很好代表周围的点,且池化方法仍然是最大池化,得到的点云局部特征损失严重。




本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005342




作者信息:

季建杰1,刘杰2,邵剑飞1,张建华3

(1.昆明理工大学 信息工程与自动化学院,云南 昆明 650504;2.云南警官学院,云南 昆明 650223;

3.云南中勘测绘工程有限公司,云南 昆明 650034)


微信图片_20210517164139.jpg

此内容为AET网站原创,未经授权禁止转载。
图像处理 三维点云 卷积神经网络 形状补全
Baidu
map