基于动态图卷积的点云补全网络
电子技术应用 2023年6期
季建杰1，刘杰2，邵剑飞1，张建华3
（1.昆明理工大学 信息工程与自动化学院，云南 昆明 650504；2.云南警官学院，云南 昆明 650223； 3.云南中勘测绘工程有限公司，云南 昆明 650034）
摘要： 大多数传统的深度学习点云补全学习方法仅仅使用了全局特征而忽略了局部特征，为了更好地提取和使用点云的局部特征，提出了一个基于深度学习的端到端点云补全网络。在点云补全网络（PCN）的基础上，编码部分引入针对局部特征改进的动态图卷积（DGCNN），使用多个不同维度的边卷积提取较为丰富的局部特征，并按照距离弱化远点的特征；然后用深度残差网络连接的思想优化网络结构以实现多尺度特征的融合，并加入平均池化弥补全局池化造成的信息损失；在解码部分引入折叠网络（FoldingNet），使输出的点云更加完整。实验结果表明，该点云补全网络相对PCN等点云补全网络有部分提升，验证了新方法的有效性。
中图分类号：TP391.41
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223446
中文引用格式： 季建杰，刘杰，邵剑飞，等. 基于动态图卷积的点云补全网络[J]. 电子技术应用，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.
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223446
中文引用格式： 季建杰，刘杰，邵剑飞，等. 基于动态图卷积的点云补全网络[J]. 电子技术应用，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
近年来，点云作为一种较好的三维形状表达，广泛应用于自动驾驶、计算机视觉领域。然而在实际应用中,由于设备分辨率或者存在遮挡等不可避免的原因，捕获的点云往往是残缺的，因此，更好地补全缺失点云是现在亟待解决的问题。
基于深度学习的方法处理点云已经取得了诸多进展，PointNet[4]是首次将深度学习应用在点云中，设计了针对点云的特征提取模块。PointNet++将最远点采样和基于半径的球查询引入到了点云的特征提取中，用于选定局部区域点云，但这种方法仅仅局限于区域中的单个点，缺少了和其他点的拓扑信息。点云补全网络(PCN)是直接从点中提取特征，然后通过解码器输出完整点云，由于PCN使用的是PointNet的点云特征提取模块，导致对于局部特征没有很好地提取。Wang等提出的动态图卷积神经网络(DGCNN)对每个输入点云的点，都计算其K近邻的点之间的边特征，从而得到点云的局部特征，有很好的局部特征提取能力。但当输入的点云较为稀疏时，其K近邻已不能很好代表周围的点，且池化方法仍然是最大池化，得到的点云局部特征损失严重。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005342
作者信息：
季建杰1，刘杰2，邵剑飞1，张建华3
（1.昆明理工大学 信息工程与自动化学院，云南 昆明 650504；2.云南警官学院，云南 昆明 650223；
3.云南中勘测绘工程有限公司，云南 昆明 650034）
此内容为AET网站原创，未经授权禁止转载。