基于自注意力特征融合组卷积神经网络的三维点云语义分割

针对现有算法忽略了点云数据的全局单点特征与局部几何特征之间的深层关系，导致获取的局部几何信息缺乏区分，难以有效识别复杂形状的问题，提出了一种基于自关注特征融合群的三维点云语义分割算法。首先，设计了轻量级网络框架下的代理点图卷积来提取点云的局部几何特征，并加入了群卷积运算，以减少计算量和复杂度，以较少的冗余信息增强特征的丰富性。其次，通过alpine模块交换不同分支之间的特征信息，使全局特征和局部几何特征相互补偿，增强特征的完整性。然后，将点云的底层语义特征与原始点云融合，扩展局部邻域感受野，获取高层上下文语义信息。最后，将特征输入分割模块，完成细粒度语义分割。实验结果表明，该算法在S3DIS数据集和semantic Kitti数据集上的分割准确率分别达到79.3%和56.6%。它能提取三维点云的关键特征信息，网络参数少，语义分割鲁棒性强。