Resumen

Entender la implicación de la nube de puntos sigue siendo un desafío en el objetivo de clasificación o segmentación para la nube de puntos debido a su estructura irregular y dispersa. Como sabemos, la arquitectura PointNet como un trabajo innovador para el procesamiento de nube de puntos puede aprender características de forma directamente en una nube de puntos 3D desordenada y ha logrado un rendimiento favorable, como un 86% de precisión media y un 89.2% de precisión general para la tarea de clasificación, respectivamente. Sin embargo, este modelo no considera la información semántica detallada de la estructura local para la nube de puntos. Por lo tanto, en este artículo se propone una red de atención de gráficos de campos receptivos multinivel (llamada MRFGAT) mediante características semánticas de parches locales para nube de puntos, y el mapa de características aprendido para nuestra red puede capturar bien la abundante información de características de la nube de puntos. La arquitectura MRFGAT propuesta se prueba en conjuntos de datos de ModelNet, y los resultados muestran que log

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Implicación; Nube de puntos; Clasificación; Segmentación; Arquitectura PointNet; MRFGAT
• Keywords:Implication; Point cloud; Classification; Segmentation; PointNet architecture; MRFGAT