来源：期刊VIP网 时间：
作者：舒密;王占刚;
单位：北京信息科技大学信息与通信工程学院;
摘要：点云Transformer网络在提取三维点云的局部特征和携带的多级自注意力机制方面展现出了卓越的特征学习能力。然而，多级自注意力层对计算和内存资源的要求极高，且未充分考虑特征融合中层级间以及通道间的区分度与关联性。为解决上述问题，提出一种基于点云Transformer的轻量级特征增强融合分类网络EFF-LPCT。EFF-LPCT使用一维化Ghost卷积对原始网络进行重构，以降低计算复杂度和内存要求；引入自适应支路权重，以实现注意力层级间的多尺度特征融合；利用多个通道注意力模块增强特征的通道交互信息，以提高模型分类效果。在ModelNet40数据集进行的实验结果表明，EFF-LPCT在达到93.3%高精度的同时，相较于点云Transformer减少了1.11 GFLOPs的浮点计算量和0.86×10~6的参数量。
关键词：点云分类;;Transformer网络;;Ghost卷积;;特征增强融合模块;;ECA通道注意力;;特征学习
