دسته‌بندي ابرنقاط سه‌بعدي با استفاده از يك معماري عميق توسعه‌يافته

با گسترش روزافزون حوزه يادگيري عميق ، امكان حل مسائل بسياري كه پيش از اين دشوار به نظر مي‌رسيد، فراهم آمده است. از طرفي با تقويت ابزارها و نيز گسترش حسگرهاي سه‌بعدي بينايي ماشين از جمله‌ RGB-Dها و نيز Lidarها ، پردازش تصاوير سه‌بعدي و نيز داده‌هايي كه فضاي سه‌بعد را ترسيم مي‌كنند، مورد توجه بيشتري قرار گرفته است. ابرنقاط سه‌بعدي از جمله داده‌هاي است كه اجسام و پديده‌ها را در فضاي سه‌بعدي ترسيم مي‌كند. در اين مقاله به منظور بهبود دقت دسته‌بندي روشي ارائه ‌شده است كه با استفاده از تابع تغيير يافته KNN ويژگي‌هاي نسبي هر شيء را استخراج مي‌كند و پس از نرمال سازي، با ويژگي‌هاي سراسري ادغام مي‌كند. به اين ترتيب ويژگي‌هاي سراسري حاصل از شبكه‌هاي عصبي چندلايه، بعد از اعمال هر لايه‌ي همسايگي به مجموعه ويژگي‌هاي جامع‌تري دسترسي پيدا مي‌كنند و اين ويژگي‌ها مدل را به فهم بهتري نسبت به اشياء مورد پردازش مي‌رساند. نتايج حاصل از آزمايش‌هاي گوناگون نشان‌ مي‌دهد اين روش در مقايسه با روش‌هاي پيشتاز دسته‌بندي ابرنقاط از توان بسيارو كارائي بهتري برخوردار است.