La clasificación y segmentación de nubes de puntos son ampliamente utilizadas en campos como la navegación de robots, la realidad virtual y la conducción autónoma. La mayoría de los métodos de aprendizaje profundo enfocados en el procesamiento de nubes de puntos utilizan perceptrones multicapa (MLP) con pesos compartidos y una sola agregación para representar las características locales de las nubes de puntos, lo que dificulta la descripción precisa de la estructura compleja de las nubes de puntos. Para resolver este problema, se propone un método de codificación adaptativa de características locales de nubes de puntos para representar eficazmente la información sobre la forma de las estructuras variadas de las nubes de puntos y mejorar el rendimiento de la clasificación y segmentación de nubes de puntos. Este método consiste primero en un módulo de mejora adaptativa de características, que utiliza diferencias y coeficientes de ajuste aprendibles para mejorar las características y compensar la capacidad descriptiva insuficiente de los MLP con pesos compartidos. Sobre esta base, se diseña un módulo de agregación de características, que utiliza la distancia espacial absoluta de las nubes de puntos para asignar diferentes pesos a diferentes puntos con el fin de adaptarse a la estructura variada de las nubes de puntos y resaltar conjuntos de puntos representativos para describir de manera más precisa la estructura local de las nubes de puntos.

Aprendizaje profundo clasificación de nubes de puntos segmentación de nubes de puntos agregación local de características