基于谱卷积网络的点云智能化分类

With the availability of massive point cloud, its intelligent classification becomes greatly urgent. Recently deep learning (DL) is the hot topic of research and application in the field of intelligence. It brings opportunity to intelligent classification of point cloud by extracting its hierarchical feature with the constraints of diverse type, non-consistent density, noise, missing, occlusion, etc. This project proposes adoption of DL in point cloud classification to enhance its degree of intelligence. The innovations are as follows: 1) while keeping the topological relationship of the un-organized spatial point cloud, graphical pyramid is established to facilitate the DL-oriented organization and expression of point cloud, based on the Fourier basis and multi-scale spectral clustering; 2) by harmonic analysis of graphical spectrum, spectral convolution networks (SCNs) are constructed with the definition of convolution operator of graphical pyramid; 3) by the strategy of dynamic allocation of computer memory, incremental update of the parameters and structure of SCNs are present to better adapt to the unseen samples. This project will promote the comprehensive practice of point cloud in such areas as 3-D digital city, intelligent robot, un-manned vehicle, etc., as well as the research of graphical data in Internet, medical, and transportation –related science.

随着近年来点云数据的大量涌现，其智能化分类已刻不容缓。深度学习是当前智能科学研究与应用的热点，能在地物类型复杂、点云密度不一致、含有大量噪声、存在局部数据缺失和遮挡等情况下，自动提取点云的多级特征，为点云智能化分类提供新的方法。本项目以深度学习在点云分类中的应用为研究对象，以提升点云分类的智能化水平为目的，创新如下：1）针对散乱无序的空间点云数据，在保持其空间拓扑关系的同时，利用傅里叶基和多尺度谱聚类，建立面向深度学习的点云图金字塔模型； 2）利用图谱论调和分析，定义点云图金字塔的卷积运算，构建点云图上的谱卷积网络； 3）利用计算机系统的动态空间分配策略，发展谱卷积网络参数和结构的增量更新方法，提升网络对新增数据的自适应能力。本项目研究将推动点云在三维数字城市、智能机器人、无人驾驶汽车等诸多领域的深入应用，促进互联网、医学、交通等领域图结构数据分类的研究。

随着近年来点云数据的大量涌现，其智能化分类已刻不容缓。深度学习是当前智能科学研究与应用的热点，能在地物类型复杂、点云密度不一致、含有大量噪声、存在局部数据缺失和 遮挡等情况下，自动提取点云的多级特征，为点云智能化分类提供新的方法。本项目以深度学习在点云分类中的应用为研究对象，以提升点云分类的智能化水平为目的，创新如下：1）根据邻域点间相互影响随距离衰减的特性，对每个三维点周围的三维邻域空间进行多尺度体素化，提出一种多尺度混合的三维卷积算子和深度学习网络MSNet； 2）提出了基于图上注 意力机制的三维点云卷积运算GAC，在利用图将无序点云进行有效组织的基础上，根据邻域点间的相对空间位置及其特征差异给相邻点动态分配相应的卷积权重，实现对邻域特征进行有效提取，并基于GAC构建了一种三维点云深度卷积网络GACNet，对点云实现从低级到高级的逐层特征学习； 3）针对三维点云在三维空间中形成的流形曲面，采用共形几何思想将三维点云映射到二维规则平面上，结合对抗网络的生成能力与变分自编码网络的训练稳定性，提出了基于对抗自编码的三维点云生成网络GIG，借鉴二维图像的生成网络来实现三位物体表面点云的补全。本项目研究将推动点云在 三维数字城市、智能机器人、无人驾驶汽车等诸多领域的深入应用，促进互联网、医学、交通等领域图结构数据分类的研究。