一种面向3D点云识别的新型卷积神经网络.pdf

"一种面向3D点云识别的新型卷积神经网络.pdf" 本资源总结了一种新型卷积神经网络架构，旨在解决3D点云识别中的无序、稀疏和浮动性问题。该架构通过对点云三维空间位置进行竖直与水平方向上的角度索引编码，将点云转换为紧密二维多通道点特征图。然后，使用设计的新型卷积神经网络对点云进行多层次特征提取与融合，最后实现点云分类。 1、卷积神经网络在环境感知中的应用 卷积神经网络（CNN）是一种高效的机器学习算法，广泛应用于图像和点云等局部强关联特征提取。由于CNN的优越性，广泛应用于环境感知任务中。在 KITTI、Model⁃Net40 和 ShapeNet 等点云数据集上，基于深度学习的检测算法均处于主导地位。 2、点云数据集和特征图 点云数据集是环境感知和机器人学中的重要研究对象。点云具有无序性、稀疏性和浮动性等特点。为了解决这些问题，研究者提出了各种点云特征图表示方法，如点云二进制图、点云密度图等。本文中，作者使用了点云三维空间位置进行竖直与水平方向上的角度索引编码，将点云转换为紧密二维多通道点特征图。 3、新型卷积神经网络架构 作者设计了一种新型卷积神经网络架构，以解决点云无序性和浮动性的问题。该架构使用单点微型感知机对数据缺失空洞的鲁棒性进行点云局部特征抽象提高，并且使用跳跃连接结构进行不同层次间的特征补充。使用提取出的全局特征实现点云分类。 4、实验结果和讨论 作者在公开点云数据集上的算法对比测试表明，所提网络架构具备优异的准确性与实时性。该结果表明，所设计的新型卷积神经网络架构能够有效地解决点云识别中的无序、稀疏和浮动性问题。 5、结论和展望 本文中，作者提出了一个新型卷积神经网络架构，以解决点云识别中的无序、稀疏和浮动性问题。实验结果表明，所设计的架构具备优异的准确性与实时性。未来，研究者可以继续探索点云识别技术的发展和应用，例如点云SLAM、点云感知等领域。 6、关键词 卷积神经网络、环境感知、点云分类、中图分类号TP391.4、DOI：10. 3969/j. issn. 1672-9722. 2020. 05. 037