Классификация и сегментация облачных точек широко применяются в области робототехники, виртуальной реальности и автопилотирования.Большинство методов глубокого обучения, направленных на обработку облачных точек, используют многослойные персептроны с общими весами (MLP) и единственной агрегацией для представления локальных характеристик облачных точек, что затрудняет точное описание сложной структуры облачных точек. Для решения данной проблемы предлагается метод адаптивного кодирования локальных характеристик облачных точек для эффективного представления информации о форме многообразных структур облачных точек и повышения производительности классификации и сегментации облачных точек. Данный метод в первую очередь представляет собой модуль адаптивного усиления признаков, использующий разности и обучаемые коэффициенты для усиления признаков и компенсации недостаточности описательной способности MLP с общими весами. На этой основе разработан модуль агрегации признаков, использующий абсолютное пространственное расстояние облачных точек для назначения различных весов различным точкам с целью адаптации к многовариантной структуре обрачных точек и выделения репрезентативных точечных наборов для более точного описания локальной структуры облачных точек.

Глубокое обучение классификация облачных точек сементация облачных точек местная агрегация признаков