-
题名深度学习在3D点云分类中的应用
认领
引用
- 1
-
-
作者
纪宇菲
郭丽红
胡婷婷
翁迪泽
-
机构
南京工程学院通信与人工智能学院、集成电路学院
-
出处
《自动化技术与应用》
2026年第8期72-75,共4页
-
基金
国家自然科学基金项目(62302211)
江苏省大学生科技创新项目(202411276133Y)
南京工程学院校级基金项目(TB202406014)。
-
摘要
随着三维感知技术快速发展,点云数据已广泛应用于三维物体识别、场景理解等多个领域,设计和优化高效的点云处理网络已成为研究热点和技术难题。针对传统PointNet++模型局部特征提取能力不足、特征融合不充分,导致点云分类精度受限的问题,提出一种改进的PointNet++模型,通过引入KAN模型来增强局部特征的提取和融合能力,从而提升分类性能。KAN模型以样条单变量函数替代传统线性权重结构,摒弃多层感知机固有局限,强化网络对点云局部细粒度特征的捕捉与多尺度特征融合能力,同时提升模型可解释性与特征表征精度。实验基于ModelNet10数据集进行分类性能对照,实验结果表明,融入KAN结构的改进模型能够有效挖掘点云深层局部特征,相较原始模型分类准确率实现显著提升。研究结论证实,KAN可有效优化PointNet++的特征提取机制,能够明显增强模型对点云数据的表征能力,为三维点云分类任务提供一种高效可行的网络改进方案,也为后续点云深度学习模型优化提供参考思路。
-
关键词
PointNet++
KAN
深度学习
点云分类
局部特征提取
多尺度特征融合
ModelNet10数据集
-
Keywords
PointNet++
KAN
deep learning
point cloud classification
local feature extraction
multi-scale feature fusion
ModelNet10 dataset
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—计算机科学与技术]
-
![使用中文期刊助手扫码登录]()
使用中文期刊助手 扫描二维码
渝公网安备 50019002500403号违法和不良信息举报中心举报邮箱：jubao@cqvip.com