计算机应用

作者：李维刚, 邵佳乐, 田志强

单位：1.武汉科技大学 信息科学与工程学院，武汉 430081；2.武汉科技大学 冶金自动化与检测技术教育部工程研究中心，武汉 430081

关键词：点云,分类分割,深度学习,注意力机制,特征融合

基金：湖北省科技人才服务企业项目(202400288)

现有的网络难以有效学习点云局部的几何形状信息，存在无法有效关注重要特征结构和融合不充分等问题。因此，提出一种基于双注意力机制（DAM）和多尺度融合的点云分类与分割网络。首先，在数据特征提取阶段利用几何自适应卷积（GAC）动态地调整卷积核的几何位置和权重，使它能够动态适应点云数据的局部几何结构，从而更有效地捕捉局部特征；其次，为了进一步提升特征表达能力，引入DAM自动学习并调整特征通道和空间信息的权重，从而增强关键点的特征表示；最后，连接不同尺度的特征信息以进行有效融合，从而增强特征学习效果，使得最终的特征表示更加丰富，以提高网络的分类分割精度。在ModelNet40、ShapeNet和S3DIS数据集上的实验结果表明，所提网络与PointNet++和DGCNN（Dynamic Graph Convolutional Neural Network）相比，总体分类精度（OA）和平均交并比（mIoU）更好，有效提升了点云分类与分割的性能。

来源：2025年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第9期