基于深度學(xué)習(xí)的休眠期蘋果樹點(diǎn)云語義分割

李頎　郭夢(mèng)媛

摘要：針對(duì)蘋果樹結(jié)構(gòu)復(fù)雜、樹干之間相互遮擋、導(dǎo)致國(guó)內(nèi)外大規(guī)模機(jī)械設(shè)備自動(dòng)剪枝誤剪率高等問題，提出1種基于深度學(xué)習(xí)的休眠期蘋果樹點(diǎn)云的語義分割。以陜西省禮泉蘋果種植基地的休眠期蘋果樹為研究對(duì)象，為了解決雙視角點(diǎn)云配準(zhǔn)之間非重疊點(diǎn)對(duì)距離過大導(dǎo)致配準(zhǔn)誤差大的問題，用 Kinect V2 傳感器獲取休眠期蘋果樹點(diǎn)云，對(duì)每株果樹采用改進(jìn)迭代最近點(diǎn)算法（Iterative closest point， ICP）進(jìn)行多視角三維重建，對(duì)于大規(guī)模的果樹點(diǎn)云，構(gòu)建基于超點(diǎn)圖的果樹分割網(wǎng)絡(luò)（Super point graphs network， SPGNet），對(duì)果樹點(diǎn)云進(jìn)行語義分割，保留果樹點(diǎn)云的復(fù)雜幾何信息。結(jié)果表明，當(dāng)果樹雙視角點(diǎn)云的配準(zhǔn)誤差小于1 mm時(shí)，可成功分割休眠期蘋果樹的樹干與分枝，對(duì)分類精度、預(yù)測(cè)值與真實(shí)值的交并比（IoU）進(jìn)行評(píng)估，其中樹干的分類精度、IoU分別為94.0%、0.85，分枝的分類精度、IoU分別為83.1%、0.75。由此可見，研究結(jié)果可解決機(jī)械設(shè)備自動(dòng)剪枝誤剪率高的問題，能在自然光線條件、大規(guī)模休眠期蘋果樹場(chǎng)景下實(shí)現(xiàn)對(duì)休眠期蘋果樹樹干與分枝的分割，為大規(guī)模自動(dòng)剪枝提供依據(jù)。

關(guān)鍵詞：多視角果樹三維重建；超點(diǎn)圖；深度學(xué)習(xí)；果樹點(diǎn)云語義分割

中圖分類號(hào)：S661.1文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2023）05-1189-10

Semantic segmentation of apple tree point cloud in dormant period based on deep learningLI Qi GUO Meng-yuan

（1.School of Electronic Information and Artificial Intelligence， Shaanxi University of Science and Technology， Xian 710021， China;2.School of Electrical and Control Engineering， Shaanxi University of Science and Technology， Xian 710021， China）

Abstract：Aiming at the problems of complex structure of apple trees， mutual occlusion between the trunks， and false pruning of large-scale mechanical equipment at home and abroad， a semantic segmentation of apple tree point cloud in dormant period based on deep learning was proposed. Taking the dormant apple trees in Liquan apple planting base in Shaanxi province as the research object， in order to solve the problem of large registration error caused by the large distance between non-overlapping point pairs in dual-view point cloud registration， the Kinect V2 sensor was used to obtain the point cloud of dormant apple trees， and the improved iterative closest point algorithm （ICP） was used for multi-view three-dimensional reconstruction of each fruit tree. For large-scale fruit tree point cloud data， a fruit tree segmentation network based on super point graphs （SPGNet） was constructed to perform semantic segmentation on fruit tree point cloud， and the complex geometric information of fruit tree point cloud was retained. The results showed that when the registration error of the dual-view point cloud of the fruit tree was less than 1 mm， the trunk and branches of the apple tree in the dormant period could be successfully segmented. The classification accuracy and intersection over union of predicted and true values （IoU） were evaluated. The classification accuracy and IoU of the trunk were 94.0% and 0.85， respectively， and the classification accuracy and IoU of the branches were 83.1% and 0.75， respectively. In a word， the research results could solve the problem of high mis-cutting rate in the process of automatic pruning of mechanical equipment， and could realize the segmentation of trunks and branches of dormant apple trees under natural light conditions and large-scale dormant apple tree scenes， and could provide a basis for large-scale automatic pruning.

Key words：multi-view fruit tree three-dimensional reconstruction;super-point graph;deep learning;fruit tree point cloud semantic segmentation

2021年，陜西省蘋果樹的種植面積為6.21×10⁵hm²，陜西省蘋果產(chǎn)量為1.24×10⁷t，占全國(guó)蘋果總產(chǎn)量的26.9%。對(duì)休眠期蘋果樹進(jìn)行剪枝是提高果樹產(chǎn)量的重要措施，傳統(tǒng)的蘋果樹剪枝嚴(yán)重依賴人工操作，不僅成本高昂，而且浪費(fèi)人力、效率低下[1]。雖然目前國(guó)內(nèi)外大規(guī)模蘋果樹自動(dòng)剪枝的機(jī)械設(shè)備得到了廣泛研究[2]，但是機(jī)械化剪枝設(shè)備錯(cuò)誤、遺漏的修剪會(huì)導(dǎo)致蘋果產(chǎn)量下降。因此，提高休眠期蘋果樹樹干與分枝的分類精度，可以降低機(jī)械化設(shè)備自動(dòng)剪枝的誤剪率，提高蘋果產(chǎn)量并減少勞動(dòng)力需求[3]。

常用于果樹枝條語義分割的數(shù)據(jù)包括二維圖像、三維點(diǎn)云等。Amatya等[4]使用貝葉斯分類法，將帶有葉片的荔枝圖像分成4個(gè)類別，其中樹干識(shí)別率達(dá)到89.2%。韓文康等[5]用Atrus空間金字塔池、門特征金字塔網(wǎng)絡(luò)來增強(qiáng)網(wǎng)絡(luò)的特征提取能力，結(jié)果顯示，蘋果和樹枝語義分割模型的精確率和召回率分別為87.6%和77.2%。Majeed等[6]使用 Kinect V2 傳感器獲取蘋果幼樹的彩色（RGB）和深度圖像，使用SegNet對(duì)簡(jiǎn)單的前景二維圖像進(jìn)行分割。

由于果樹的二維圖像中缺少深度信息，導(dǎo)致樹干與分枝的分割精度低。Elfiky等[7]提出基于幾何特征從兩側(cè)對(duì)休眠的紡錘形蘋果樹進(jìn)行三維重建，結(jié)果顯示，基于自適應(yīng)建模方案的主枝修剪點(diǎn)的檢測(cè)精度達(dá)到 96.0%。Medeiros等[8]通過分裂合并聚類算法，將休眠蘋果樹點(diǎn)云分為樹干、連接點(diǎn)和分枝，結(jié)果顯示，平均分割精度為98%，平均直徑誤差為0.6 cm，該分割使用機(jī)器視覺算法手動(dòng)提取點(diǎn)云特征，由于光照度的變化和背景的復(fù)雜，果樹枝條分割的魯棒性通常較差，并且激光雷達(dá)的成本較高。

本研究以休眠期蘋果樹為試驗(yàn)對(duì)象，通過改進(jìn)迭代最近點(diǎn)算法對(duì)果樹進(jìn)行多視角三維重建，并將結(jié)果輸入基于超點(diǎn)圖的深度學(xué)習(xí)網(wǎng)絡(luò)（Super point graphs network， SPGNet），以期使果樹的復(fù)雜幾何信息得到實(shí)質(zhì)性保留，在大規(guī)模休眠期蘋果樹的場(chǎng)景下實(shí)現(xiàn)對(duì)休眠期蘋果樹樹干與分枝的分割。

1材料與方法

1.1試驗(yàn)場(chǎng)地

本研究的試驗(yàn)場(chǎng)地位于陜西省咸陽市禮泉蘋果種植基地，基地內(nèi)果樹的行距、株距分別為4.3 m、3.2 m，具體場(chǎng)景見圖1a。在休眠期，蘋果樹形成低矮的紡錘形（下文將紡錘形結(jié)構(gòu)的矮化休眠蘋果樹簡(jiǎn)稱為蘋果樹），種植基地內(nèi)的矮化蘋果樹冠幅為2.1 m，主蔓長(zhǎng)度最長(zhǎng)可達(dá)1.2 m，平均高度約為2.4 m，去除背景后的紡錘形蘋果樹如圖1b所示。

1.2數(shù)據(jù)采集與點(diǎn)云預(yù)處理

1.2.1數(shù)據(jù)采集本研究于2022年2-3月在陜西省咸陽市禮泉蘋果種植基地采集數(shù)據(jù)。由于高精度點(diǎn)云需要高性能的傳感器和穩(wěn)定的成像環(huán)境，而以Kinect為代表的基于光子飛行時(shí)間（Time-of-Fligh，ToF）的RGB-D傳感器在點(diǎn)云精度、成本和處理速度3個(gè)方面更加平衡，因此本研究使用 Kinect V2 傳感器獲取點(diǎn)云。由于果樹平均高度約為2.4 m，Kinect V2安裝在距離地面150 cm處的支架上，構(gòu)成數(shù)據(jù)采集設(shè)備，該位置配合Kinect V2的視場(chǎng)角，可將果樹分枝完全覆蓋，Kinect V2的部分參數(shù)見表1。數(shù)據(jù)采集設(shè)備距離蘋果樹主莖中心1.8～2.1 m，Kinect V2沿順時(shí)針方向繞果樹旋轉(zhuǎn)，每旋轉(zhuǎn)60°采集1次數(shù)據(jù)，旋轉(zhuǎn)360°后數(shù)據(jù)采集完畢。

圖2a描述了獲取單株果樹三維數(shù)據(jù)的方法，將其中第1視角（0°）的點(diǎn)云命名為Tree_1，將其他5個(gè)視角的點(diǎn)云分別命名為Tree_2、Tree_3、Tree_4、Tree_5、Tree_6，詳見圖2b。數(shù)據(jù)采集系統(tǒng)由個(gè)人計(jì)算機(jī)開發(fā)和測(cè)試，硬件配置為AMD R7-4800H SSD、NVIDIA RTX2060 4G，軟件環(huán)境選擇OpenCV 3.4.13、PCL1.8.1。

1.2.2點(diǎn)云預(yù)處理由于數(shù)據(jù)采集設(shè)備獲取的果樹點(diǎn)云也包括附近的樹木和地面，因此根據(jù)果樹點(diǎn)云在空間坐標(biāo)系的x、y、z坐標(biāo)，結(jié)合樹的寬度、高度，設(shè)置x的閾值范圍為（-1.4 m，0.9 m），y的閾值范圍為（3.1 m，1.0 m），可有效過濾點(diǎn)云中的背景。數(shù)據(jù)采集設(shè)備放置在距果樹1.8～2.1 m的位置，可以通過將z 閾值設(shè)置為（0.9 m，-1.3 m）去除點(diǎn)云中的地面信息。

1.3休眠期蘋果樹的三維重建

1.4休眠期蘋果樹的語義分割

本研究通過改進(jìn)迭代最近點(diǎn)算法對(duì)休眠期蘋果樹的點(diǎn)云進(jìn)行三維重建，提高了果樹三維模型的精度。在大規(guī)模休眠期蘋果樹場(chǎng)景下對(duì)果樹點(diǎn)云進(jìn)行語義分割，執(zhí)行分割任務(wù)時(shí)不僅可以克服果樹點(diǎn)云規(guī)模大、無序且不規(guī)則的問題，而且可以保留果樹點(diǎn)云的復(fù)雜幾何信息。

二維圖片的語義分割通常使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）[10]，但CNN需要輸入規(guī)則的數(shù)據(jù)，因此CNN需要先對(duì)三維模型進(jìn)行規(guī)則化處理，常見的處理方法是將三維模型體素化。三維模型體素化的缺點(diǎn)是CNN的輸入數(shù)據(jù)會(huì)變得稀疏且影響點(diǎn)云的旋轉(zhuǎn)、平移。超點(diǎn)圖具有豐富的邊緣特征，并且可編碼三維點(diǎn)云中物體各部分之間的上下文關(guān)系[11]。因此，本研究擬利用超點(diǎn)圖（Super point graph，SPG）對(duì)休眠期蘋果樹進(jìn)行語義分割。由于受到 PointNet[12]、門控圖神經(jīng)網(wǎng)絡(luò)（Graph neural networks， GNNs）[13]的影響，本研究擬構(gòu)建基于超點(diǎn)圖的深度學(xué)習(xí)網(wǎng)絡(luò)（Super point graphs network， SPGNet），實(shí)現(xiàn)在大規(guī)模休眠期蘋果樹場(chǎng)景下的語義分割，休眠期蘋果樹樹干與分枝的分割流程如圖6所示。

SPGNet輸入如圖7a所示的休眠期蘋果樹點(diǎn)云后，將大規(guī)模蘋果樹三維模型的語義分割問題分成幾何分割、超點(diǎn)嵌入和上下文分割3個(gè)不同規(guī)模的問題，如圖7b、圖7c所示。

1.4.1基于語義分割的超點(diǎn)圖構(gòu)建矮化的蘋果樹結(jié)構(gòu)呈紡錘形，在大規(guī)模蘋果樹場(chǎng)景下的語義分割目標(biāo)不是檢索如汽車、椅子等簡(jiǎn)單對(duì)象，而是為了將休眠期蘋果樹分解為簡(jiǎn)單的幾何部分。SPGNet將如圖8a所示的果樹三維模型作為輸入，該三維模型遵循全局能量模型且被分割成如圖8b所示的簡(jiǎn)單并具有意義的幾何塊，又稱為超點(diǎn)。最后，由超點(diǎn)、邊構(gòu)成超邊，使超點(diǎn)之間的空間鄰接關(guān)系通過超邊連接，如圖8c所示。

1.4.2超點(diǎn)嵌入與上下文分割

1.4.3模型訓(xùn)練和超參數(shù)本研究對(duì)休眠期蘋果樹的語義分割網(wǎng)絡(luò)進(jìn)行了端到端的訓(xùn)練，使用 120 株果樹三維模型進(jìn)行訓(xùn)練和測(cè)試，每株果樹有31 832～100 521個(gè)點(diǎn)，隨機(jī)選擇84株果樹模型（70%）進(jìn)行訓(xùn)練，其余36株果樹模型（30%）用于測(cè)試。同時(shí)，通過Cloud Compare v2.11.3軟件手動(dòng)將果樹的點(diǎn)云標(biāo)記為樹干（Trunk）、樹枝（Branch） 2類，分別用灰色、淺黑色標(biāo)注。為了提高計(jì)算性能，使用0.006的體素對(duì)果樹點(diǎn)云進(jìn)行二次采樣。本研究中使用的 SPGNet 的超參數(shù)見表2。

SPGNet試驗(yàn)在顯卡為NVIDIA GeForce RTX2080 Ti、操作系統(tǒng)為Ubuntu 18.04、運(yùn)行內(nèi)存為128 G、算力為7.5的服務(wù)器上運(yùn)行，使用的軟件工具包括 CUDA 10.0、CUDNN 9.1 和 Python 3.7，試驗(yàn)在 Pytorch 1.10 中實(shí)現(xiàn)。

1.4.4性能評(píng)價(jià)指標(biāo)

2結(jié)果與分析

2.1果樹的雙視角配準(zhǔn)誤差分析

為了選擇雙視角果樹點(diǎn)云的配準(zhǔn)視角，本研究隨機(jī)選擇自然光下10株結(jié)構(gòu)不同的果樹，針對(duì)2種不同的雙視角配準(zhǔn)方案進(jìn)行配準(zhǔn)誤差分析。圖10顯示了以0°視角點(diǎn)云為源點(diǎn)云，利用公式（14）對(duì)果樹源點(diǎn)云與目標(biāo)點(diǎn)云的配準(zhǔn)誤差分析結(jié)果，即果樹點(diǎn)云在視角差分別為60°、180°時(shí)前后2幀點(diǎn)云平均距離誤差（MDE）的對(duì)比結(jié)果。相比于視角差為60°的休眠期蘋果樹點(diǎn)云配準(zhǔn)結(jié)果，視角差為180°時(shí)存在更多的非重疊點(diǎn)對(duì)。在進(jìn)行雙視角配準(zhǔn)時(shí)，0～180° 的MDE最大為3.80 mm，而0～60°的MDE最大為0.28 mm，因此本研究中雙視角配準(zhǔn)的視角差選擇60°。

2.2果樹點(diǎn)云分割結(jié)果的分析

本研究采用SPGNet模型，在休眠期蘋果樹點(diǎn)云的訓(xùn)練集與測(cè)試集內(nèi)進(jìn)行性能測(cè)試。首先評(píng)估模型在訓(xùn)練集上是否出現(xiàn)過擬合現(xiàn)象。圖11a、圖11b分別顯示了果樹點(diǎn)云在訓(xùn)練過程中的學(xué)習(xí)準(zhǔn)確率、最小批量損失曲線。本研究發(fā)現(xiàn)，模型的最大學(xué)習(xí)準(zhǔn)確率為97%，最小批量損失為0.07，進(jìn)行第200次訓(xùn)練時(shí)的學(xué)習(xí)準(zhǔn)確率與最小批量損失趨于穩(wěn)定。因此可見，本研究模型在果樹訓(xùn)練集上得到了適當(dāng)訓(xùn)練。

此外，本研究使用OA、mAcc、mIoU等指標(biāo)，在由36株果樹三維模型構(gòu)成的測(cè)試集上評(píng)估本模型的分割結(jié)果。如圖12a所示，SPGNet在測(cè)試集上的OA、mAcc、mIoU分別為90.1%、89%、81%。如圖12b所示，果樹樹干的分類精度、IoU分別為94.0%、0.85；果樹分枝的分類精度、IoU分別為83.1%、0.75，雖然果樹分枝的分割精度低于果樹樹干，但是該結(jié)果獲得了休眠期果樹的預(yù)期分割性能。

2.3本研究模型與目前先進(jìn)點(diǎn)云分割網(wǎng)絡(luò)性能的對(duì)比

為了分析本研究模型點(diǎn)云分割的性能，本研究將所提方法與目前先進(jìn)的點(diǎn)云分割網(wǎng)絡(luò)Point CNN[15]、DGCNN[16]在休眠期蘋果樹數(shù)據(jù)集上進(jìn)行比較試驗(yàn)。為了保證比較試驗(yàn)的可靠性，2種比較模型均按照本研究模型的訓(xùn)練方式進(jìn)行訓(xùn)練。由表3可知，本研究模型的mAcc、OA均排在首位，分別比Point CNN的mAcc、OA高1.9個(gè)百分點(diǎn)、1.9個(gè)百分點(diǎn)。經(jīng)分析，Point CNN面對(duì)輸入順序不同的點(diǎn)云，定義了1個(gè)x變換矩陣，保證了點(diǎn)云輸入順序不影響點(diǎn)云輸出結(jié)果，從而利于Point CNN模型保留蘋果樹完整的點(diǎn)云特征并能夠自適應(yīng)地學(xué)習(xí)特征的權(quán)重，相比之下，DGCNN使用基于動(dòng)態(tài)圖的方法來學(xué)習(xí)點(diǎn)云之間的關(guān)系，但對(duì)點(diǎn)云的局部和全局結(jié)構(gòu)不夠敏感， 因此Point CNN的特征學(xué)習(xí)方法略優(yōu)于DGCNN。a：SDGNet學(xué)習(xí)準(zhǔn)確率曲線；b：最小批量損失曲線。

本研究得出的休眠期蘋果樹樹干與分枝的分割結(jié)果如圖13c所示。由于存在人工標(biāo)注錯(cuò)誤及分枝形狀類似于樹干的情況，因此在樹干和分枝之間的連接處會(huì)出現(xiàn)漏檢、樹干被錯(cuò)誤分割為分枝的現(xiàn)象。雖然對(duì)果樹的復(fù)雜結(jié)構(gòu)存在一些分割錯(cuò)誤，但是最終的果樹分枝分割準(zhǔn)確率為83%，并識(shí)別出果樹分枝的破損。在大規(guī)模休眠期蘋果樹場(chǎng)景下，將來可通過提取蘋果樹的骨架點(diǎn)、使深度網(wǎng)絡(luò)在復(fù)雜的果樹點(diǎn)云中學(xué)習(xí)更多特征等方法進(jìn)一步提高果樹樹干與分枝的分割精度。

3結(jié)論

本研究針對(duì)大規(guī)模機(jī)械設(shè)備自動(dòng)剪枝時(shí)誤剪率高、蘋果樹相互遮擋導(dǎo)致雙視角點(diǎn)云配準(zhǔn)誤差大的問題，采用視角差為 60° 的果樹點(diǎn)云，使用改進(jìn)最近迭代點(diǎn)算法進(jìn)行多視角三維重建，配準(zhǔn)誤差為0.28 mm，可有效保留果樹的真實(shí)特征。本研究提出的基于超點(diǎn)圖的深度學(xué)習(xí)網(wǎng)絡(luò)，實(shí)現(xiàn)了OA為90.1%、mAcc為89%、mIoU為81%的果樹樹干與分枝的分割，其中樹干的分類精度最高為94.0%。與目前先進(jìn)點(diǎn)云語義分割網(wǎng)絡(luò)性能對(duì)比發(fā)現(xiàn)，本研究模型的整體精度比Point CNN高1.9個(gè)百分點(diǎn)，比 DGCNN高2.7個(gè)百分點(diǎn)，實(shí)現(xiàn)了自然光線下大規(guī)模休眠期蘋果樹場(chǎng)景的果樹樹干與分枝的分割。當(dāng)休眠期蘋果樹的分類精度較高時(shí)，可降低現(xiàn)有機(jī)械設(shè)備自動(dòng)剪枝時(shí)的誤剪率。為了進(jìn)一步推動(dòng)機(jī)械設(shè)備在大規(guī)模休眠期蘋果樹場(chǎng)景下自動(dòng)剪枝效率的提高，下一步可側(cè)重于研究休眠期蘋果樹分枝的長(zhǎng)度，并根據(jù)分枝長(zhǎng)度匹配自動(dòng)剪枝的最佳方案。

參考文獻(xiàn)：

[1]KARKEE M， ADHIKARI B， AMATYA S， et al. Identification of pruning branches in tall spindle apple trees for automated pruning[J]. Computers & Electronics in Agriculture， 2014， 103：127-135.

[2]MIKA A， BULER Z， TREDER W. Mechanical pruning of apple trees as an alternative to manual pruning[J]. Ogrodnictwo，2016，15（1）：113-121.

[3]HE L， SCHUPP J. Sensing and automation in pruning of apple trees： a review[J]. Agronomy， 2018， 8（10）：211.

[4]AMATYA S， KARKEE M， GONGAL A， et al. Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting[J]. Biosystems Engineering， 2016， 146（4）：3-15.

[5]HAN W K， CHEN C. Fruit detection and segmentation for apple harvesting using visual sensor in orchards[J]. Sensors， 2019， 19（20）： 4599.

[6]MAJEED Y， ZHANG J， ZHANG X， et al. Deep learning based segmentation for automated training of apple trees on trellis wires[J]. Computers and Electronics in Agriculture， 2020， 170： 105277.

[7]ELFIKY N M， AKBAR S A， SUN J， et al. Automation of dormant pruning in specialty crop production： an adaptive framework for automatic reconstruction and modeling of apple trees[C]. Piscataway， NJ：IEEE Computer Society，2015： 65-73.

[8]MEDEIROS H， KIM D， SUN J， et al. Modeling dormant fruit trees for agricultural automation[J]. Journal of Field Robotics， 2017， 34（7）：1203-1224.

[9]徐思雨，祝繼華，田智強(qiáng)，等. 逐步求精的多視角點(diǎn)云配準(zhǔn)方法[J].自動(dòng)化學(xué)報(bào)，2019，45（8）：1486-1494.

[10]張蕊，孟曉曼，曾志遠(yuǎn)，等. 圖卷積神經(jīng)網(wǎng)絡(luò)在點(diǎn)云語義分割中的研究綜述[J].計(jì)算機(jī)工程與應(yīng)用， 2022， 58（24）：29-46.

[11]LANDRIEU L， SIMONOVSKY M. Large-scale point cloud semantic segmentation with superpoint graphs[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2018：4558-4567.

[12]GUINARD S，LANDRIEU L. Weakly supervised segmentation-aided classification of urban scenes from 3d LiDAR point clouds[C]//International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences. 2017：151-157.

[13]LI Y， TARLOW D， BROCKSCHMIDT M， et al. Gated graph sequence neural networks[C]. Ithaca， NY：Openreview. net，2016.

[14]CHO K， VAN MERRINBOER B， BOUGARES F， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[C]. Stroudsburg：ACL，2014.

[15]LI Y， BU R， SUN M， et al. Pointcnn： convolution on x-trans formed points[C]. Montreal Canada： Neural Information Processing System. Foundation， 2018.

[16]WANG Y， SUN Y B， LIU Z W， et al. Dynamic graph CNN for learning on point clouds[J]. ACM Transactions on Graphics， 2018， 38（5）：1-12.（責(zé)任編輯：徐艷）