面向三维点云的边缘感知学习

本文提出了一种创新的分层边缘感知三维点云学习方法（HEA-Net），旨在解决点云数据中的噪声问题，并通过关注边缘特征来改进物体识别与分割。在本研究中，我们提出了一种创新的边缘感知学习方法，专门设计用于增强点云分类与分割。受人类视觉系统的启发，该方法融入了边缘感知概念，在提升物体识别能力的同时减少了计算时间。我们的研究促成了一个先进的三维点云学习框架，能够有效处理物体分类与分割任务。该框架独特地融合了局部与全局网络学习范式，并辅以聚焦于边缘的局部与全局嵌入，从而显著增强了模型的解释能力。此外，我们应用了分层 transformer 架构以提升点云处理效率，从而提供对结构理解的细致洞察。我们的方法在处理含噪点云数据方面展现出显著潜力，并凸显了边缘感知策略在三维点云学习中的前景。在 ModelNet40 和 ShapeNet 数据集上的实验表明，所提方法在物体分类与分割任务上优于现有技术。