表1实验准确率信息 方法 准确度均值|准确度最大准确度最小准确度方差 PointNet 68.75 96.87 0.24 五、结语 自动驾驶的飞速发展使得点云处理成为了一大热点,本文提出了一种将深度学习模型应 用在点云数据处理上的方法。我们的模型最主要的部分是在提取点云特征后,分别对特征做 全局最大池化和全局平均池化,然后将两种池化结果相串联,再通过多层感知机进行分类。 全局池化的操作,可以解决点云数据无序性的问题,使得网络提取的全局特征向量对点云的 各种排列保持不变性。通过串联全局最大池化结果与全局平均池化结果,新的特征向量包含 了更多的点云信息,因此可以有效避免应用模型时的一些极端情况的发生。在改进空间变换 网络时,我们同样使用了全局最大池化和全局平均池化的方法。大量的实验表明,我们的方 法在一定程度上提高了基础模型的平均准确率,并且有着较高的稳定性。与其他模型相比, 我们在保证一定准确率的基础上,减少了参数和计算量的冗余,有着较高的效率 参考文献 [1X. Chen, H. Ma, J. Wan, B. Li, and T. Xia. Multi-view 3d object detection network for autonomous driving. In IEEE CVPR, 2017. 2, 5, 6 2]CR Qi, H Su, K Mo, and L J Guibas. Pointnet: Deep learning on point sets for 3d classification and segmentation. Proc. Computer Vision and Pattern Recognition(CVPR), IEEE, 2017.1,2,4,5 3]CR Qi, HSu, M. NieBner, A Dai, M. Yan, andL Guibas. Volumetric and multi-view cnns for object classification on 3d data. In Proc. Computer Vision and Pattern Recognition(CVPR), IEEE, 2016.1.2. [4]C.R. Qi, L. Yi, H. Su, and L J Guibas. Pointnet++: Deep hierarchical feature learning on point sets in a metric space. arXiv preprint ar Xiv: 1706.02413, 2017. 1, 2, 4,5 5]D Maturana and S Scherer. VoxNet: A 3D Convolutional Neural Network for Real-Time Object Recognition In IROS, 2015 6 Ku J, Mozifian M, Lee J, et al. Joint 3d proposal generation and object detection from view aggregation(C)/20 18 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).IEEE,2018:1-8 [7 Zhirong Wu, S Song, A. Khosla, Fisher Yu, Linguang Zhang, Xiaoou Tang, and J. Xiao. 3d shapenets: a deep representation for volumetric shapes. In 2015 IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pages 1912-1920, June 2015 [8]M. M. Bronstein and l. Kokkinos. Scale-invariant heat kernel signatures for non-rigid shape recognition. In Computer Vision and Pattern Recognition(CVPR), 2010 IEEE Conference on pages 1704-1711. IEEE, 2010 9]R. B. Rusu, N. Blodow, Z. C Marton, and M. Beetz. Aligning point cloud views using (c)1994-2019ChinaAcademicJournalElectronicpUblishingHouse.Allrightsreservedhttp://www.cnki.net表 1 实验准确率信息 方法 准确度均值 准确度最大 值 准确度最小 值 准确度方差 PointNet 90.74 96.88 68.75 0.33 本文方法 91.51 96.87 78.15 0.24 五、结语 自动驾驶的飞速发展使得点云处理成为了一大热点，本文提出了一种将深度学习模型应 用在点云数据处理上的方法。我们的模型最主要的部分是在提取点云特征后，分别对特征做 全局最大池化和全局平均池化，然后将两种池化结果相串联，再通过多层感知机进行分类。 全局池化的操作，可以解决点云数据无序性的问题，使得网络提取的全局特征向量对点云的 各种排列保持不变性。通过串联全局最大池化结果与全局平均池化结果，新的特征向量包含 了更多的点云信息，因此可以有效避免应用模型时的一些极端情况的发生。在改进空间变换 网络时，我们同样使用了全局最大池化和全局平均池化的方法。大量的实验表明，我们的方 法在一定程度上提高了基础模型的平均准确率，并且有着较高的稳定性。与其他模型相比， 我们在保证一定准确率的基础上，减少了参数和计算量的冗余，有着较高的效率。 参考文献 [1] X. Chen, H. Ma, J. Wan, B. Li, and T. Xia. Multi-view 3d object detection network for autonomous driving. In IEEE CVPR, 2017. 2, 5, 6. [2] C. R. Qi, H. Su, K. Mo, and L. J. Guibas. Pointnet: Deep learning on point sets for 3d classification and segmentation. Proc. Computer Vision and Pattern Recognition (CVPR), IEEE, 2017. 1, 2, 4, 5. [3] C.R.Qi,H.Su,M.Nießner,A.Dai,M.Yan,andL.Guibas. Volumetric and multi-view cnns for object classification on 3d data. In Proc. Computer Vision and Pattern Recognition (CVPR), IEEE, 2016. 1, 2. [4] C. R. Qi, L. Yi, H. Su, and L. J. Guibas. Pointnet++: Deep hierarchical feature learning on point sets in a metric space. arXiv preprint arXiv:1706.02413, 2017. 1, 2, 4, 5, 7. [5] D. Maturana and S. Scherer. VoxNet: A 3D Convolutional Neural Network for Real-Time Object Recognition. In IROS,2015. [6] Ku J, Mozifian M, Lee J, et al. Joint 3d proposal generation and object detection from view aggregation[C]//2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2018: 1-8. [7] Zhirong Wu, S. Song, A. Khosla, Fisher Yu, Linguang Zhang, Xiaoou Tang, and J. Xiao. 3d shapenets: A deep representation for volumetric shapes. In 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1912–1920, June 2015. [8] M. M. Bronstein and I. Kokkinos. Scale-invariant heat kernel signatures for non-rigid shape recognition. In Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on, pages 1704–1711. IEEE, 2010. [9] R. B. Rusu, N. Blodow, Z. C. Marton, and M. Beetz. Aligning point cloud views using