计算机工程与应用 ›› 2023, Vol. 59 ›› Issue (24): 259-267.DOI: 10.3778/j.issn.1002-8331.2305-0381
何春秀,荆现文,何永宁
HE Chunxiu, JING Xianwen, HE Yongning
摘要: 针对大规模城市场景点云数据体量大、噪声多等导致的点云分类模型难以训练、模型分类准确率低等问题,设计了一种多层级分组自注意力机制的点云分类模型。该模型在数据采样阶段,设计了一种自适应随机采样算法,可以有效解决模型因点云数据量庞大而加载困难的问题;将采样输入的点云数据划分为三个层级,分层级可以扩大点云特征数据的覆盖范围,三个层级分别将点云数据分为16、9、4组,分组可以减少自注意力机制的计算复杂度;进入一个跳跃连接模块,将丢失的低维度特征信息重新利用,从而更好地提高模型分类精度。在SensatUrban数据集上进行实验,结果表明,采样算法相较于最远点采样算法在mIoU指标上提升了0.43个百分点,该模型比同样采用自注意力机制的PCT模型以及经典的PointNet++模型在mIoU指标上分别提升了3.12、8.17个百分点。