A classificação e segmentação de nuvens de pontos são amplamente utilizadas em navegação robótica, realidade virtual e direção autônoma. A maioria dos métodos de aprendizado profundo para processamento de nuvens de pontos utiliza perceptrons multicamadas (MLP) com pesos compartilhados e um único pooling para agregar características locais das nuvens, o que dificulta descrever com precisão as complexas estruturas das nuvens de pontos. Para resolver esse problema, propõe-se um método de codificação de características locais adaptativo à forma da nuvem, que representa efetivamente a diversidade da estrutura das nuvens e melhora o desempenho da classificação e segmentação. O método inicialmente introduz um módulo adaptativo de aprimoramento de características que utiliza diferenças e fatores reguladores aprendíveis para reforçar as características, compensando a capacidade limitante do MLP de pesos compartilhados. Com base nisso, foi projetado um módulo de agregação de características que utiliza a distância espacial absoluta das nuvens para atribuir diferentes pesos a diferentes pontos, adaptando-se à estrutura variável das nuvens, destacando conjuntos representativos de pontos para descrever com maior precisão a estrutura local. Experimentos em três grandes conjuntos de dados públicos de nuvens de pontos mostram uma precisão global de classificação de instâncias de 93,9% no conjunto ModelNet40, e uma média da interseção sobre união (mIoU) de 85,9% e 59,7% nos conjuntos ShapeNet e S3dis para segmentação, respectivamente. O método proposto apresenta excelente desempenho em tarefas de classificação e segmentação de nuvens de pontos.

aprendizado profundo; classificação de nuvens de pontos; segmentação de nuvens de pontos; agregação de características locais