Para capturar com precisão as informações contextuais do modelo de nuvem de pontos 3D e melhorar a precisão da segmentação, propõe-se um método de segmentação colaborativa de clusters de modelos 3D utilizando similaridade de modelos. Primeiro, realiza-se uma amostragem dos pontos mais distantes para obter um ponto central e seleciona-se aleatoriamente pontos vizinhos dentro de uma esfera para construir a vizinhança esférica; em seguida, utiliza-se um operador de agregação de características para codificar as relações topológicas geométricas entre os pontos 3D, extrair características correlacionadas entre as vizinhanças e construir uma matriz de similaridade espacial usando as coordenadas dos centróides de cada vizinhança esférica. Essa matriz realiza uma soma ponderada das características locais extraídas pela rede codificadora, completando a análise colaborativa do modelo 3D; por fim, constrói-se uma rede hierárquica de extração de características para decodificar as características associadas tratadas com ponderação, concluindo a tarefa de segmentação colaborativa do cluster de modelos. Os resultados experimentais mostram que o algoritmo atingiu uma precisão de segmentação colaborativa de 86,0% no conjunto de dados ShapeNet Part. Em comparação com o algoritmo kNN, o uso do método de seleção aleatória dentro da esfera como estratégia de amostragem de pontos vizinhos melhora a precisão da segmentação da rede em 0,8%; em comparação com o uso de perceptron multicamada compartilhado para a extração de características, o uso do operador de agregação de características para a operação convolucional aumenta a precisão da segmentação em 12,9%; em comparação com os algoritmos de segmentação de modelos predominantes atuais, o algoritmo proposto apresenta uma melhora adicional na precisão da segmentação.

segmentação colaborativa;operador de agregação de características;matriz de similaridade espacial;cluster de modelos;codificador-decodificador hierárquico