2023-08-05 信息来源：计算机与信息技术学院
近期，智能信息处理研究所团队用图结构学习网络实现高精度点云计算，相关成果以“Long and Short-Range Dependency Graph Structure Learning Framework on Point Cloud”为题在人工智能领域国际顶级期刊 IEEE Transactions on Pattern Analysis and Machine Intelligence（简称TPAMI，影响因子：23.6）在线发表。该论文第一作者/通讯作者为梁吉业教授，第二作者为2021级博士生杜子金，合作者为梁建青副教授、姚凯旋博士、曹飞龙教授。
点云数据作为一种重要的3D数据被广泛应用于自动驾驶、三维理解和机器人等领域。如何有效地提取点云特征并实现高性能的点云分析任务是点云深度学习中的一个研究难题。图神经网络是处理并分析不规则数据的有效方法，近年来基于图的点云分析方法受到了较多的关注。然而，大多数方法都着眼于如何设计图卷积算子而忽略了图结构对模型性能提升的影响。由于构图的过程往往独立于网络的学习，因此无法保证模型所构建的图结构对于不同的下游任务是最优的，这导致模型的精度受到了限制。
针对上述问题，该研究提出了一种通用的图结构学习网络，端到端地实现点云上图结构的构建与特征学习。具体地，通过图结构学习方法构建了点云上的远程依赖图与短程依赖图，充分利用已知的标签数据和先验知识以学习最优的图结构，从而更好地服务于后续局部特征与全局上下文信息的提取。（图结构学习的优化目标如下所示）
联合优化图结构损失和下游任务损失，将图结构学习与图卷积整合在统一的框架下，如图1所示。
图1 基于远程-短程依赖图结构学习的点云分类与分割网络
研究成果提供了一个崭新的视角，用图结构学习网络将点云构建为远程与短程依赖图并提取点云特征，克服了构图与特征学习过程独立的问题，进一步提高了不同下游任务的性能，如点云分类与分割。
在点云分类与分割任务上的对比实验验证了所提出方法（GSLCN）的有效性，如图2，3所示。所提出的远程-短程依赖图结构学习能够根据输入数据学习最优的图结构，从而显著提升后续特征提取的性能，如图4所示。
图2 点云分类结果展示
图3 点云分割结果可视化展示
图4 点云特征表示的t-SNE可视化展示
该研究工作得到计算智能与中文信息处理教育部重点实验室、科技创新2030-“新一代人工智能”重大项目、国家自然科学基金联合基金重点项目的支持。
据悉，TPAMI期刊于1979年建刊，是国际上公认的人工智能领域顶级期刊，同时也被中国计算机学会（CCF）推荐为人工智能领域的A类期刊，主要刊登人工智能领域的高质量前沿研究成果。
