دسته‌بندی ابرنقاط سه‌بعدی با استفاده از یک معماری عمیق توسعه‌یافته

با گسترش روزافزون حوزه یادگیری عمیق ، امکان حل مسائل بسیاری که پیش از این دشوار به نظر می‌رسید، فراهم آمده است. از طرفی با تقویت ابزارها و نیز گسترش حسگرهای سه‌بعدی بینایی ماشین از جمله‌ rgb-dها و نیز lidarها ، پردازش تصاویر سه‌بعدی و نیز داده‌هایی که فضای سه‌بعد را ترسیم می‌کنند، مورد توجه بیشتری قرار گرفته است. ابرنقاط سه‌بعدی از جمله داده‌های است که اجسام و پدیده‌ها را در فضای سه‌بعدی ترسیم می‌کند. در این مقاله به منظور بهبود دقت دسته‌بندی روشی ارائه ‌شده است که با استفاده از تابع تغییر یافته knn ویژگی‌های نسبی هر شیء را استخراج می‌کند و پس از نرمال سازی، با ویژگی‌های سراسری ادغام می‌کند. به این ترتیب ویژگی‌های سراسری حاصل از شبکه‌های عصبی چندلایه، بعد از اعمال هر لایه‌ی همسایگی به مجموعه ویژگی‌های جامع‌تری دسترسی پیدا می‌کنند و این ویژگی‌ها مدل را به فهم بهتری نسبت به اشیاء مورد پردازش می‌رساند. نتایج حاصل از آزمایش‌های گوناگون نشان‌ می‌دهد این روش در مقایسه با روش‌های پیشتاز دسته‌بندی ابرنقاط از توان بسیارو کارائی بهتری برخوردار است.