学位论文简介

三维点云分类是自动驾驶、机器人感知和虚拟现实等领域的重要研究课题。现有基于深度学习的点云分类方法虽取得了较高准确率，但模型参数量大、计算开销高，难以满足资源受限场景下的部署需求。本文围绕高性能三维点云分类问题，从模型压缩、层次化分类和小样本学习三个方面开展研究，取得了以下创新性研究成果：

1) 针对点云深度神经网络参数量大、推理开销高以及低比特量化易造成准确率损失的问题，提出了语义增强量化感知训练方法。该方法通过点重要度预测模块识别关键点，并为不同重要程度的点分配不同量化精度。在多个点云分类网络上的实验表明，该方法在显著降低模型大小和推理延迟的同时，保持接近全精度模型的分类准确率。

2) 针对传统平坦分类网络难以有效区分几何形状相似的类别，且对所有类别采用统一复杂推理流程导致计算冗余的问题，设计了适用于点云分类的层次化分类框架与空间感知特征增强方法。该框架先由主分类器完成粗粒度分类，对易区分类别直接输出，对易混淆类别再调用专门子分类器进行细粒度判别。同时引入空间感知特征增强模块，提高相似类别的区分能力，从而兼顾分类准确率与推理效率。

3) 针对三维点云标注成本高、小样本条件下新类别识别困难以及真实场景噪声干扰强等问题，提出了基于多种注意力机制的小样本三维点云分类方法。该方法从局部结构、通道语义和样本关系三个层面增强特征表达，提升少量标注样本条件下新类别识别能力，并增强模型在噪声和复杂场景中的稳定性。

主要学术成果

[1] Liming Huang, Yunchuan Qin, Ruihui Li, Fan Wu, Kenli Li.  Semantics-Augmented Quantization-Aware Training for Point Cloud Classification. Pacific Conference on Computer Graphics and Applications, 2024. (CCF B, 第一作者)

[2] Liming Huang, Zhizhong Liu, Yunchuan Qin, Fan Wu, Zhuo Tang. HiPoint: Hierarchical Classifier and Spatially-Aware KNN Enhancement for Point Cloud Classification. International Conference on Intelligent Computing, 2026. (CCF C, 第一作者)

[3] Liming Huang, Zhizhong Liu, Yunchuan Qin, Fan Wu, Ruihui Li, Zhuo Tang. Attention Makes for Effective Few-shot 3D Point Cloud Classification. (在投, 第一作者)