池{理并南联 n224 图1点云处理神经网络结构 (一)池化层保证点云排列不变性 本文提出在提取全局特征时,对提取的1024维特征的每一维做全局最大池化和全局平均 池化,并将两池化结果相串联。 1.全局最大池化 全局最大池化是指在某一维度所有数据点中选取值最大的点,作为该维度特征值,本文 中,即对n*1024维特征选取每一维值最大的点,舍弃其他的点,从而得到1*1024大小的 全局特征向量。全局最大池化方法可以有效解决点云数据无序性的问题,不论点云数据如何 排列,总能选取出其中最大的特征值,得到一致的全局特征向量 虽然全局最大池化能够较好的保留数据的纹理特征,但丢弃了除了该维特征值最大点以 外的所有点,损失的信息较多。 2全局平均池化 全局平均池化是是指对某一维度所有数据点计算它们的均值,作为该维度特征值,本文 中,即对n*1024维特征每一维计算平均值,从而得到1*1024大小的全局特征向量。全局 平均池化可以有效减小预测值的方差,并且同样保证了提取的全局特征向量对点云数据的不 同排列保持不变性 3池化结果串联 本文提出对提取的两种全局特征进行串联,以得到包含更多点云数据信息的全局特征向 量,避免单独使用全局最大池化造成的信息丢失严重的问题。将全局最大池化与全局平均池 化方法合理融合,既保证了对点云数据或点云特征排列的不变性,又增加了全局特征的信息 量 实验结果表明,我们的方法一定程度上提高了预测的平均准确率,并且有效地减小了准 确率方差,使得预测更加稳定。 (二)特殊空间变换网络 一个空间变换网络由特征提取网络、网格生成器和采样器组成。本文提出的一种特征的 空间变换网络可以提取点云特征,学习得到一个转换矩阵,通过将该转换矩阵与点云数据相 乘,以实现数据对齐或者特征对齐,从而保证对空间变换保持不变性。其网络结构如图2所 示。我们改进了原有的空间变换网络,使得学习得到的转移矩阵更加匹配原有的点云数据或 提取的点云特征。其应用的方法就是使用全局平均池化方法提取全局特征,并该全局特征向 量与原全局最大池化特征得到的特征向量相串联,再通过多层感知机得到转移矩阵。 (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net图1 点云处理神经网络结构 （一）池化层保证点云排列不变性 本文提出在提取全局特征时，对提取的1024维特征的每一维做全局最大池化和全局平均 池化，并将两池化结果相串联。 1.全局最大池化 全局最大池化是指在某一维度所有数据点中选取值最大的点，作为该维度特征值，本文 中，即对𝑛 ∗ 1024维特征选取每一维值最大的点，舍弃其他的点，从而得到1 ∗ 1024大小的 全局特征向量。全局最大池化方法可以有效解决点云数据无序性的问题，不论点云数据如何 排列，总能选取出其中最大的特征值，得到一致的全局特征向量。 虽然全局最大池化能够较好的保留数据的纹理特征，但丢弃了除了该维特征值最大点以 外的所有点，损失的信息较多。 2.全局平均池化 全局平均池化是是指对某一维度所有数据点计算它们的均值，作为该维度特征值，本文 中，即对𝑛 ∗ 1024维特征每一维计算平均值，从而得到1 ∗ 1024大小的全局特征向量。全局 平均池化可以有效减小预测值的方差，并且同样保证了提取的全局特征向量对点云数据的不 同排列保持不变性。 3.池化结果串联 本文提出对提取的两种全局特征进行串联，以得到包含更多点云数据信息的全局特征向 量，避免单独使用全局最大池化造成的信息丢失严重的问题。将全局最大池化与全局平均池 化方法合理融合，既保证了对点云数据或点云特征排列的不变性，又增加了全局特征的信息 量。 实验结果表明，我们的方法一定程度上提高了预测的平均准确率，并且有效地减小了准 确率方差，使得预测更加稳定。 （二）特殊空间变换网络 一个空间变换网络由特征提取网络、网格生成器和采样器组成。本文提出的一种特征的 空间变换网络可以提取点云特征，学习得到一个转换矩阵，通过将该转换矩阵与点云数据相 乘，以实现数据对齐或者特征对齐，从而保证对空间变换保持不变性。其网络结构如图2所 示。我们改进了原有的空间变换网络，使得学习得到的转移矩阵更加匹配原有的点云数据或 提取的点云特征。其应用的方法就是使用全局平均池化方法提取全局特征，并该全局特征向 量与原全局最大池化特征得到的特征向量相串联，再通过多层感知机得到转移矩阵