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