田钰杰，管有庆，龚 锐

（南京邮电大学 物联网学院，南京 210023）

0 概述

点云是一种常用的三维图形表示方式，许多场景都是基于点云进行三维环境感知和交互的，对点云进行分类和分割是目前深度学习领域的研究热点。点云数据是传感器最原始的数据形式，主要采用深度学习处理点云。点云具有无序性，可利用深度神经网络强大的学习能力解决点云数据的排序问题。PointNet［1］和Deep Set［2］利用对称函数处理无序的点云，从而对其进行优化。PointNet++［3］对PointNet 方法进行扩展，通过多尺度优化局部特征提取性能。DGCNN［4］深度神经网络根据绝对坐标计算空间中的局部区域，通过计算点的边缘特征学习边缘特征与其他特征之间的关系。VoxNet［5］将采样三维的点送入32×32×32 的三维网格，进而由三维卷积神经网络（Convolutional Neural Network，CNN）进行处理，但该网络计算量较大。曾碧等［6］提出一种聚类算法融合特征的方法，通过聚类算法对学习到的特征进行融合，用于解决点云室内场景分割。MVCNN［7］从点云中采样80 个视图，将它们投影到二维空间并进行二维的CNN 处理。杨晓文等［8］提出一种基于八叉树的CNN，构造高效的八叉树结构化来表示三维点云，将卷积计算限制在八叉树节点上，不需要投影到二维空间且能减少一定的计算量。SO-Net［9］网络结构使用自组织映射（Self-Organization Map，SOM）进行分层特征提取。

研究者利用多层感知机（Multilayer Perceptron，MLP）提取每个点的语义特征以处理点云数据，但这类方法不能很好地学习点的局部特征且鲁棒性较差。在点云分类分割中，既要考虑输入点的全局特征，也要考虑点与点之间的局部关系。……