摘要
一种基于显示特征嵌入的点云分析方法(Point MLP‑FE)，步骤包括对原始点云降采样，在进行分组特征提取，然后提取局部特征权重，逐步完成深度特征聚合，最后将得到的特征矩阵分类投票网络。本发明结合最远点采样(FPS)、K近邻(KNN)、Point Net++算法，通过局部空间特征编码模块，引入领域点的相对位置信息，并将邻域内的位置信息和结构信息编码，引入一组可学习参数，逐点做线性变换，在增大局部特征差异性的同时，有效增强模型的局部结构信息的表征能力。局部特征与全局特征融合方面，引入残差连接(residual connection)，通过连接输入层与输出层，跳过相同的特征提取主体，加快模型收敛速度，有效缓解模型梯度消失的问题。MLP层分类与投票网络通过软投票机制融合了多次模型训练的预测结果，通过不同初始采样点，得到差异化网络模型，有效缓解单模型容易陷入局部最优的情况，从而提高模型的泛化能力。
