天津工业大学机械工程学院杨磊成团队在《激光与光电子学进展》发表论文《基于偏置注意力机制的轻量级点云分类模型》，针对现有点云分类网络参数量庞大、运算耗时久的技术痛点，创新提出Point-PT轻量化模型，依托偏置注意力与自主设计的局部特征聚合结构，在控制模型体量的同时保障分类精度。
3D点云是自动驾驶、机器人、AR增强现实领域的关键数据载体，当下主流点云深度学习模型普遍依靠堆叠网络参数提升识别准确率，由此带来模型臃肿、推理速度缓慢、硬件部署门槛高等难题。为此，杨磊成研究团队摒弃大规模参数堆叠思路，搭建全新轻量化Point-PT网络。该模型创新设计局部特征聚合模块，借助三角函数位置编码替代大量可学习参数，利用中心点与邻域点相对特征强化几何信息提取效果，有效规避物体刚性变换带来的识别干扰;同时引入偏置注意力机制，优化传统自注意力结构，自主筛选有效特征、剔除冗余信息，进一步压缩模型计算开销。
研究选用行业通用ModelNet40数据集完成验证，数据集涵盖40大类上万件三维模型。实测数据显示，Point-PT在0.36M参数规模下分类准确率达92.9%，参数量仅为DGCNN模型的19%，推理速度提升6倍;当参数量提升至0.87M时，分类精度达到93.9%，相较PointNet++、PCT、DGCNN等经典主流模型，准确率分别高出2.0、0.7、1.0个百分点，对比高参数量PointMLP，参数量仅为其1/14，运算速度提升6倍以上。
多组消融实验证实，局部特征聚合模块负责抓取点云边缘、棱角等高频细节特征，偏置注意力聚焦关键语义信息，两大模块协同互补是模型兼顾轻量化与高精度的核心。该轻量化模型适配嵌入式、小型机载设备等算力有限的落地场景，可为车载感知、工业三维检测、机器人环境感知等工程应用提供高效的点云分类方案，推动轻量化3D视觉算法产业化落地。
