10.19665/j.issn1001-2400.2020.02.007
一种用于点云分类的轻量级深度神经网络
在使用深度神经网络进行点云分类时,可以将点云转化为三维体素或是从多个角度将网格模型渲染成图片后进行处理,但转换过程会耗费额外的计算和存储资源;而使用原始点云作为输入的方法,其网络规模和计算复杂度又给算法在嵌入式环境部署带来困难.在对这些算法深入研究的基础上,提出一种轻量级的双路径神经网络模型,无须转换点云数据格式,使用0.8兆浮点数的参数量,达到和主流方法相当的分类精度.双路径结构利用点云的点内和点间表示方式,在避免多尺度学习引入的复杂结构和计算的同时,挖掘了全局特征和局部细粒度特征.实验结果表明,该网络模型可对ModelNet40和MNIST数据集进行准确分类,且设计具有合理性.
机器学习、深度学习、模式识别、点云分类
47
TP391(计算技术、计算机技术)
国家自然科学基金61850410523
2020-04-27（万方平台首次上网日期，不代表论文的发表时间）
共8页
46-53
