软件学报

作者：李冠彬，张锐斐，陈超，林倞

单位：李冠彬，中山大学 计算机学院, 广东 广州 51000611,张锐斐，中山大学 计算机学院, 广东 广州 51000602,陈超，中山大学 计算机学院, 广东 广州 51000603,林倞，中山大学 计算机学院, 广东 广州 51000604

关键词：三维点云;旋转不变性;层次类簇网络;点云分类;点云语义分割

基金：国家自然科学基金（61976250，61702565）；广东省基础与应用基础研究基金（2020B1515020048）

由于解决了三维点云的排列不变性问题，基于三维点云的深度学习方法在计算机三维视觉领域中取得了重大的突破，人们逐渐倾向于使用三维点云来描述物体并基于神经网络结构来提取点云的特征.然而，现有的方法依然无法解决旋转不变性问题，使得目前的模型鲁棒性较差；同时，神经网络结构的设计过于启发式，没有合理利用三维点云的几何结构与分布特性，导致网络结构的表达能力有待提升.鉴于此，提出了一种具有良好兼容性的严格旋转不变性表达以及深度层次类簇网络，试图从理论与实践两个层面解决上述问题.在点云识别、部件分割、语义分割这3个经典任务上进行了旋转鲁棒性对比实验，均取得了最优的效果.

来源：2022年第11期

《软件学报》期刊编辑部

查看软件学报杂志2022年第11期