Devido às limitações das redes de classificação e segmentação de nuvens de pontos baseadas em aprendizado profundo na extração de informações contextuais locais e na representação das características dos pontos vizinhos, bem como ao problema de a max pooling perder informações subótimas, propõe-se um algoritmo de classificação e segmentação de nuvens de pontos que combina atenção dupla e redes convolucionais gráficas dinâmicas ponderadas. Primeiramente, a convolução gráfica dinâmica ponderada utiliza o algoritmo ponderado dos K-vizinhos para construir uma estrutura local robusta e introduz um módulo reforçado de convolução de borda para ponderar as características dos pontos, obtendo características de borda reforçadas. Em seguida, a atenção de canal constrói correlações de canal e libera o potencial de cada canal, e a atenção espacial percebe a estrutura espacial da nuvem de pontos 3D para aprimorar a expressão das características semânticas locais, extrair informações contextuais eficazes e características semânticas profundas. Por fim, é usado o pool TopK para adicionar características subótimas. Os resultados experimentais mostram que o algoritmo atinge uma precisão geral de classificação de 93,36% no conjunto de dados ModelNet40 e uma média de índice de interseção sobre união de 85,96% no conjunto de dados de segmentação de partes ShapeNet, demonstrando sua eficácia na extração de informações contextuais e no aprimoramento da representação das características dos pontos vizinhos.

Classificação e segmentação;Nuvens de pontos 3D;Mecanismo de atenção;Convolução gráfica dinâmica ponderada;Algoritmo K-vizinhos