检索结果-南通市图书馆

检索条件"主题词=双路结构"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度学习的跨模态点云补全研究

基于深度学习的跨模态点云补全研究

引用

作者：豆佳乐电子科技大学

学位级别：硕士

三维点云补全是计算机视觉中一个非常重要的研究领域,传统的基于深度学习的点云补全方法局限于在单一点云模态上进行训练,因此在缺失区域较大、遮挡严重时补全效果往往不佳。随着混合传感器的广泛应用,利用不同模态的点云数据对缺失部... 详细信息

三维点云补全是计算机视觉中一个非常重要的研究领域,传统的基于深度学习的点云补全方法局限于在单一点云模态上进行训练,因此在缺失区域较大、遮挡严重时补全效果往往不佳。随着混合传感器的广泛应用,利用不同模态的点云数据对缺失部分进行补全的跨模态点云补全技术展现出巨大的潜力,这不仅提高了补全结果的可靠性,还提高了其完整性。跨模态点云补全任务需要解决两个问题,分别是如何融合多个模态的特征,称为跨模态问题,以及如何匹配全局和局部残缺部分的特征,称为跨级别问题。本研究提出了一种新颖的基于深度学习的跨模态点云补全网络模型,利用双路结构融合视图、残缺点云特征进行点云补全。该模型包含了四个主要模块,视图重建模块负责提取视图信息并重建出三维粗点云,用于提供区域细节特征,本研究中针对单视图及双视图分别进行了模块构建,这解决了跨模态问题;区域分割及区域特征提取模块负责对视图重建出的点云进行语义一致性分割并提取特征,语义一致性分割是为了更有侧重点的训练后续的细点云生成器;使用DGCNN作为全局特征提取模块对残缺点云进行特征提取;为了更好的学习到形状的细节信息,本研究采用了基于点云块的生成方式,将全局特征以及区域特征送入十六个非参数共享的细点云生成器模块中进行区域预测,之后合并新区域形成补全结果,这解决了跨级别问题。为了使最终结果更加精细,本研究还构建了基于投影的跨模态点云补全专用损失函数用于限制补全结果中离群点的出现。本研究在ShapeNet-ViPC数据集的八个主要类别上进行了大量的消融实验、数值量化及可视化实验,验证了整体模型的稳定性及各个模块的有效性,同时进行了对比实验,实验结果表明,本研究所提出的网络模型在重建损失以及F1分数两个指标下均超过了点云补全领域前人的方法,也是跨模态点云补全领域第一篇使用多视角图片信息进行补全的研究。

关键词：点云补全跨模态多视角双路结构

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习和局部弹性势能特征的目标识别与检测算法研究

基于深度学习和局部弹性势能特征的目标识别与检测算法研究

引用

作者：蒋程东南大学

学位级别：硕士

近年来,随着移动互联网、社交网络的快速发展,包括图像、视频在内的视觉数据快速增长。从这些视觉数据中提取有用信息仍是一个难题。之前人们试图通过传统机器学习算法来提取、利用这些信息,但是始终无法有效地解决该问题;深度卷积神经... 详细信息

近年来,随着移动互联网、社交网络的快速发展,包括图像、视频在内的视觉数据快速增长。从这些视觉数据中提取有用信息仍是一个难题。之前人们试图通过传统机器学习算法来提取、利用这些信息,但是始终无法有效地解决该问题;深度卷积神经网络的出现为有效地解决该问题提供了方法。本文基于深度学习算法、局部弹性势能特征对目标识别方法、目标检测方法进行深入研究。本文主要工作以及结论如下:1.本文研究了Dense Net网络、Res Net网络等经典神经网络,并基于Dense Net网络和Res Net网络提出残差模块阵列来改进已有神经网络的识别精度。利用残差模块阵列,本文设计了二维卷积网络并用Tensorflow1.4.0实现之。本文从实验的角度将二维卷积网络与Res Net网络等经典网络在误识别率等方面进行了对比分析。实验结果表明二维卷积网络具有更低的误识别率。同时本文从实验的角度分析了残差模块阵列的深度、宽度以及增长数对二维卷积网络的识别性能的影响。仿真结果表明,适当地增加深度、宽度以及增长数可有效地提升二维卷积网络的识别性能。除了分析二维卷积网络在目标识别任务中的性能,本文还分析了二维卷积网络在目标检测任务中的性能,可视化结果和实验数据都表明二维卷积网络可提取出适用于目标检测任务的特征,在检测精度上优于Faster RCNN、SPPnet、SSD等经典目标检测算法。2.为了进一步改进二维卷积网络的识别精度,本文基于Dense Net网络和分组卷积方法设计了双路结构,双路结构主要包括主路结构和支路结构。本文从实验的角度将基于双路结构的神经网络与Res Net网络、Dense Net网络等经典卷积网络在误识别率、参数效率、计算效率等方面进行了对比分析。仿真结果表明,基于双路结构的神经网络仅增加少量参数即可实现明显优于Dense Net网络的识别精度。同时本文从实验的角度分析了增长数和融合方法对基于双路结构的神经网络的性能的影响。仿真实验结果表明增加增长数可有效地改善该网络的性能,不同的特征融合方法亦会对该网络的性能有所影响。此外,本文对该网络的抗过拟合能力作了分析,分析结果表明该网络具有良好的抗过拟合能力。同时本文通过计算平均L1范数的大小分析了支路结构是否在该网络中真正地发挥作用。仿真结果表明,支路结构在该网络中发挥了作用。随后本文分析了该网络在目标检测任务中的性能,可视化结果和数据分析表明,所提网络可提取出适用于目标检测任务的特征,优于经典的目标检测算法。3.本文对常用的传统特征描述子进行了研究。为了对传统的特征描述子的检测精度进行改进,本文引入局部弹性势能特征,并从理论上对其性质进行分析和论证。同时,基于凸优化方法提出了确定弹性系数的方法。同时设计了级联分类器,其中每个基分类器都采用了5个Ada Boost分类器。这些Ada Boost分类器是基于不同尺度的局部弹性势能特征向量训练所得。随后通过仿真实验对局部弹性势能特征的性能作了论证和分析。仿真结果表明局部弹性势能特征适用于目标检测任务。

关键词：深度学习目标识别目标检测残差模块阵列双路结构弹性势能特征

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：