La classification et la segmentation de nuages de points sont largement utilisées dans les domaines de la navigation robotique, de la réalité virtuelle et de la conduite autonome. La plupart des méthodes d'apprentissage profond axées sur le traitement de nuages de points utilisent des perceptrons multicouches (MLP) à poids partagés et une seule agrégation pour représenter les caractéristiques locales des nuages de points, ce qui rend difficile la description précise de la structure complexe des nuages de points. Pour résoudre ce problème, une méthode d'encodage adaptatif des caractéristiques locales des nuages de points est proposée pour représenter efficacement les informations sur la forme des structures variées des nuages de points et améliorer les performances de classification et de segmentation des nuages de points. Cette méthode consiste d'abord en un module d'amélioration des caractéristiques adaptatives, utilisant des différences et des coefficients d'ajustement apprenants pour améliorer les caractéristiques et compenser la capacité descriptive insuffisante des MLP à poids partagés. Sur cette base, un module d'agrégation des caractéristiques est conçu, utilisant la distance spatiale absolue des nuages de points pour attribuer des poids différents aux différents points afin de s'adapter à la structure variée des nuages de points et mettre en évidence des ensembles de points représentatifs pour décrire plus précisément la structure locale des nuages de points.

Apprentissage profond classification de nuages de points sementation de nuages de points agrégation locale des caractéristiques