基于动态图卷积和离散哈特莱转换差异性池化的点云数据分类分割网络

针对目前可以直接处理原始点云数据的深度学习网络PointNet，忽略了点与点之间的拓扑关系和全局特征信息单一的缺陷，提出一种基于动态图卷积和离散哈特莱转换（DHT）差异性池化的点云数据分类分割网络。首先，设计动态图卷积模块构建局部邻域图结构，通过图卷积网络获得点与点之间的位置关系，同时采用动态更新图结构的方式，增强网络表征能力；然后，通过离散哈特莱转换将特征转换到指定维度；最后，通过最大池化和平均池化并联通道获得全局特征。实验结果证明：提出的网络模型与PointNet网络模型在同样的数据集和评价标准上对比，点云分类任务上总体精度提高2.6个百分点，部件分割任务平均交并比（mIoU）提高4.1个百分点，场景语义分割任务mIoU提高8.6个百分点。通过运用该网络模型能有效提升点云数据分类分割的准确率，同时该网络具有更强的鲁棒性。