摘要
作为点云分析的基础任务，分类虽至关重要却始终面临挑战。为解决现有方法中尚未克服的一些问题，本文提出一种新型网络，旨在通过捕捉点云的几何特征以获得更优的表示能力。一方面，我们显式地丰富了低维3D空间中点的几何信息；另一方面，我们在高层特征空间中引入基于卷积神经网络（CNN）的结构，以隐式学习局部几何上下文。具体而言，我们采用纠错反馈结构的思想，全面捕捉点云的局部特征。此外，基于通道亲和力的注意力模块能够通过突出特征图中具有区分性的通道，有效避免特征冗余。在合成数据集与真实世界点云数据集上的实验结果表明，所提网络在性能上具有显著优势，且具备良好的适用性。与现有先进方法相比，本方法在准确率与效率之间实现了更优的平衡。