基于動態圖卷積的點云補全網絡
電子技術應用 2023年6期
季建杰1，劉杰2，邵劍飛1，張建華3
（1.昆明理工大學 信息工程與自動化學院，云南 昆明 650504；2.云南警官學院，云南 昆明 650223； 3.云南中勘測繪工程有限公司，云南 昆明 650034）
摘要： 大多數傳統的深度學習點云補全學習方法僅僅使用了全局特征而忽略了局部特征，為了更好地提取和使用點云的局部特征，提出了一個基于深度學習的端到端點云補全網絡。在點云補全網絡（PCN）的基礎上，編碼部分引入針對局部特征改進的動態圖卷積（DGCNN），使用多個不同維度的邊卷積提取較為豐富的局部特征，并按照距離弱化遠點的特征；然后用深度殘差網絡連接的思想優化網絡結構以實現多尺度特征的融合，并加入平均池化彌補全局池化造成的信息損失；在解碼部分引入折疊網絡（FoldingNet），使輸出的點云更加完整。實驗結果表明，該點云補全網絡相對PCN等點云補全網絡有部分提升，驗證了新方法的有效性。
中圖分類號：TP391.41
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223446
中文引用格式： 季建杰，劉杰，邵劍飛，等. 基于動態圖卷積的點云補全網絡[J]. 電子技術應用，2023，49(6)：18-23.
英文引用格式： Ji Jianjie，Liu Jie，Shao Jianfei，et al. Point cloud completion network based on dynamic graph convolution[J]. Application of Electronic Technique，2023，49(6)：18-23.
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223446
中文引用格式： 季建杰，劉杰，邵劍飛，等. 基于動態圖卷積的點云補全網絡[J]. 電子技術應用，2023，49(6)：18-23.
英文引用格式： Ji Jianjie，Liu Jie，Shao Jianfei，et al. Point cloud completion network based on dynamic graph convolution[J]. Application of Electronic Technique，2023，49(6)：18-23.
Point cloud completion network based on dynamic graph convolution
Ji Jianjie1，Liu Jie2，Shao Jianfei1，Zhang Jianhua3
(1.Faculty of Information Engineering and Automation，Kunming University of Science and Technology， Kunming 650504， China； 2.Yunnan Police College， Kunming 650223，China； 3.Yunnan Zhongkan Surveying and Mapping Engineering Company， Kunming 650034，China)
Abstract： Most traditional deep learning point cloud complement learning methods only use the global features and ignore the local features. In order to better extract and use the local features of point cloud, an end-to-end cloud completion network based on deep learning is proposed in this paper. On the basis of point cloud completion network (PCN), the coding part introduces dynamic graph convolution (DGCNN) improved for local features. The edge convolution of multiple different dimensions is used to extract more abundant local features, and weaken the characteristics of the far point according to the distance. Then the network structure is optimized with the idea of deep residual network connection to achieve the fusion of multi-scale features, and the mean pooling method is added to compensate for the information loss caused by global pooling. In the decoder part, FoldingNet was used to make the output point cloud complete. The experimental results show that the point cloud completion network is partially improved compared with PCN and other point cloud completion networks, which verifies the effectiveness of the new method.
Key words : image processing；3D point cloud；convolutional neural networks；shape completion
0 引 言
近年來，點云作為一種較好的三維形狀表達，廣泛應用于自動駕駛、計算機視覺領域。然而在實際應用中,由于設備分辨率或者存在遮擋等不可避免的原因，捕獲的點云往往是殘缺的，因此，更好地補全缺失點云是現在亟待解決的問題。
基于深度學習的方法處理點云已經取得了諸多進展，PointNet[4]是首次將深度學習應用在點云中，設計了針對點云的特征提取模塊。PointNet++將最遠點采樣和基于半徑的球查詢引入到了點云的特征提取中，用于選定局部區域點云，但這種方法僅僅局限于區域中的單個點，缺少了和其他點的拓撲信息。點云補全網絡(PCN)是直接從點中提取特征，然后通過解碼器輸出完整點云，由于PCN使用的是PointNet的點云特征提取模塊，導致對于局部特征沒有很好地提取。Wang等提出的動態圖卷積神經網絡(DGCNN)對每個輸入點云的點，都計算其K近鄰的點之間的邊特征，從而得到點云的局部特征，有很好的局部特征提取能力。但當輸入的點云較為稀疏時，其K近鄰已不能很好代表周圍的點，且池化方法仍然是最大池化，得到的點云局部特征損失嚴重。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000005342
作者信息：
季建杰1，劉杰2，邵劍飛1，張建華3
（1.昆明理工大學 信息工程與自動化學院，云南 昆明 650504；2.云南警官學院，云南 昆明 650223；
3.云南中勘測繪工程有限公司，云南 昆明 650034）
此內容為AET網站原創，未經授權禁止轉載。