摘要

点云被广泛认为是三维数据的一种有效表示形式，且大多数三维传感器均具备生成此类数据的能力。然而，由于点云具有不规则的结构，利用深度学习算法对其进行分析面临较大挑战。本文提出了一种新型卷积神经网络——Point-PlaneNet，该网络基于点与平面之间的距离概念，旨在挖掘点云数据中的局部空间相关性。所提出的方案引入了一种新颖且简洁的局部操作算子，称为PlaneConv，该算子通过在Rⁿ空间中学习一组平面，能够有效提取点云的局部几何特征。所提出的网络直接以原始点云作为输入，无需将点云转换为图像或体素数据，从而避免了中间表示带来的信息损失。PlaneConv具有简洁的理论分析基础，且易于集成到各类深度学习模型中，以提升模型性能。为评估该方法在分类、部件分割及场景语义分割任务中的表现，我们在四个公开数据集（ModelNet-40、MNIST、ShapeNet-Part和S3DIS）上进行了实验。实验结果表明，所提方法在各项任务中均表现出与现有方法相当甚至更优的性能，验证了其有效性与鲁棒性。