感应场空间用于点云分析
Zhongbin Jiang1, Hai Tao1, Ye Liu1
1School of Automation and Artificial Intelligence, Nanjing University of Posts and Telecommunications, Nanjing 210023, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究引入了感应场空间 (RFS),以改进3D点云分析. 新的注意力机制可自适应地调整功能细分度,提高分类和细分任务的性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 3D数据分析 3D数据分析
背景情况:
- 当前的3D点云分析方法通常依赖于手动定义的本地社区,限制了自适应特征提取.
- 网络中的固定受体场难以平衡捕获本地细节和全球依赖.
研究的目的:
- 引入一种新的概念,感受场空间 (RFS),用于在3D点云处理中进行动态感受场范围调整.
- 开发一种注意力机制,使网络能够自适应地选择最佳受感场范围.
主要方法:
- 从多个连续接收场范围中提取特征,以构建接收场空间.
- 实现适应范围选择的感受场空间注意力机制.
主要成果:
- 在点云分类方面取得了最先进的性能,整体准确率为94.2%.
- 在零部件细分方面达到最先进的表现,在整个欧盟 (mIoU) 中平均交叉点为86.0%.
结论:
- 拟议的感受场空间和注意力机制有效地解决了3D点云分析中固定感受场的局限性.
- 该方法在分类和细分任务中都取得了显著的改进,突出了其自适应细分度调整能力.


