基于可變形三維圖卷積的輕量級點云分類研究

摘要： 現(xiàn)有深度學習方法在處理點云分類任務(wù)時，依賴于點的絕對坐標，存在模型復雜度較大的問題。對此，提出一種輕量級的點云分類網(wǎng)絡(luò)DMGCN-3D。使用自適應空洞K近鄰(KNN)算法構(gòu)造圖結(jié)構(gòu)，盡可能捕捉局部更廣泛空間的幾何結(jié)構(gòu)信息，并減少計算開支；構(gòu)造可變形三維圖卷積，引入可學習的點與點之間的方向向量來獲取相對特性，在特征提取過程中保證點云的置換不變性與尺度不變性；構(gòu)建多頭自注意力模塊，... （共11頁）