近日，山西大学智能信息处理研究所团队用图调控网络实现高性能点云分割，相关成果以“Graph Regulation Network for Point Cloud Segmentation”为题于5月13日被人工智能领域国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（IEEE TPAMI，影响因子：23.6）在线发表。该论文第一作者为我校2021级博士生杜子金，通讯作者为梁吉业教授，合作者为梁建青副教授、姚凯旋讲师和曹飞龙教授。

点云数据分析广泛应用于自动驾驶、三维理解和机器人等领域，而点云分割是点云数据分析领域中基本且具有挑战性的任务，其旨在根据不同的属性与功能将目标点云划分成不同的区域。实现高性能点云分割的关键在于提取具有判别性的逐点特征。在点云不同分割区域的边界处，邻域节点往往存在较强的异质性。然而，先前的方法在实现特征聚合的过程中忽略了节点之间的同质与异质关系，这使得节点特征混入了不必要的异质节点信息，从而导致点云分割边界的模糊。

针对上述问题，该研究提出了一种图调控网络，将点云建模为同质-异质图，结合图注意力模型设计基于同质性指导的图注意力卷积以挖掘局部邻域内的同质性特征（见图1）；进一步设计了原型特征提取模块（见图2），从全局范围的原型空间中进一步挖掘同质性特征，从而提高节点特征的判别性，进一步提升点云分割的性能。

图1. 同质-异质图注意力卷积架构图

图2. 原型特征提取模块流程图

研究成果提供了一个崭新的视角，将点云建模为同质-异质图充分挖掘节点之间的同质与异质关系，进一步增强了节点特征的判别性，显著提高了点云分割边界的清晰度。（定量实验结果见表1和表2，定性实验结果见图3）

图3. 点云分割可视化展示

该研究工作得到山西大学计算智能与中文信息处理教育部重点实验室、国家科技创新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。

论文链接：https://ieeexplore.ieee.org/document/10530076