检索结果-南通市图书馆

维普期刊数据库

基于PointCloudTransformer和优化集成学习的三维点云分类

在线全文

学校读者我要写书评

暂无评论

电子测量与仪器学报 2024年第6期38卷 143-153页

作者：于喜俊段勇沈阳工业大学信息科学与工程学院沈阳110870

针对三维点云的不规则性和无序性所导致的难于提取特征并进行分类的问题,提出了一种融合深度学习和集成学习的三维点云分类方法。首先,训练深度学习点云分类网络PointCloudTransformer,并使用主干网络提取点云特征,进而训练基分类器,获... 详细信息

针对三维点云的不规则性和无序性所导致的难于提取特征并进行分类的问题,提出了一种融合深度学习和集成学习的三维点云分类方法。首先,训练深度学习点云分类网络PointCloudTransformer,并使用主干网络提取点云特征,进而训练基分类器,获得基分类器集合;然后,针对集成学习算法设计基分类器选择模型,模型的优化目标为基分类器组合的差异性和平均总体精度。为了降低集成规模,本文基于增强后的白鲸优化算法提出了二元多目标白鲸优化算法,并使用该算法优化基分类器选择模型,获得集成剪枝方案集合;最后,采用多数投票法集成每个基分类器组合在测试集点云特征上的分类结果,获得最优基分类器组合,从而构建基于多目标优化剪枝的集成学习点云分类模型。在点云分类数据集上的实验结果表明,本文方法使用了更小的集成规模,获得了更高的集成精度,能够对多类别三维点云进行准确分类。

关键词：三维点云分类深度学习集成学习白鲸优化算法多目标优化

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于K-means聚类的三维点云分类

计算机工程与应用 2020年第17期56卷 181-186页

作者：马京晖潘巍王茹首都师范大学信息工程学院北京100048

针对三维点云分类算法受到点云稀疏性和无序性影响的问题,提出一种改进算法。在点云预处理阶段,对密集的点云进行冗余数据去除,以减少后续计算量;对于稀疏的点云数据则进行三角形插值计算,以使分类更精确。加入K-means聚类分析算法,之... 详细信息

针对三维点云分类算法受到点云稀疏性和无序性影响的问题,提出一种改进算法。在点云预处理阶段,对密集的点云进行冗余数据去除,以减少后续计算量;对于稀疏的点云数据则进行三角形插值计算,以使分类更精确。加入K-means聚类分析算法,之后并行通过PointNet网络进行特征提取,该方法可体现点云空间中的点云分布特性。分别在ModelNet10/40上进行三维点云分类实验,并对比不同K值对分类结果的影响。实验结果表明,当K=5时分类准确率最高,其在ModelNet10/40上的准确率分别是94.2%和92.6%。提出的算法性能高于其他对比算法,同时训练时间大大减少。

关键词： K-means聚类分析三维点云分类三角形插值

维普期刊数据库

基于图卷积与注意力的三维点云分类深度学习方法研究

在线全文

学校读者我要写书评

暂无评论

基于图卷积与注意力的三维点云分类深度学习方法研究

作者：李肖南东华理工大学

学位级别：硕士

随着三维点云的使用范围越来越广泛,基于三维点云的对象表示和分类技术的需求变得越来越大,同时也促进了三维点云分类和识别的发展。三维点云分类已经被广泛应用于机器人导航和三维场景理解中,然而现有的关于三维点云分类的深度学习方... 详细信息

随着三维点云的使用范围越来越广泛,基于三维点云的对象表示和分类技术的需求变得越来越大,同时也促进了三维点云分类和识别的发展。三维点云分类已经被广泛应用于机器人导航和三维场景理解中,然而现有的关于三维点云分类的深度学习方法通常存在特征提取不足以及忽略点云的全局上下文关系,并且许多用于点云的神经网络往往会忽略对点云物体上一些重要区域的关注导致了一些有用的信息未被提取进而造成了分类精度低的问题。因此,论文主要围绕获取点云的全局上下文特征和关注三维点云的重要区域及有用信息展开研究,重点设计关于三维点云的分类方法,具体研究工作如下:(1)针对现有的基于深度学习的三维点云分类方法存在特征提取不充分、全局上下文关系被忽略的问题,提出了一种基于双重注意力机制的三维点云分类方法(DAM-Point Net VLAD)。通过使用双重注意力网络来提取局部结构特征以及全局上下文信息,图注意力机制主要用来学习三维点云的局部集合表示,自注意力机制可以检查所有点之间的空间关系,从而挖掘三维点云的上下文全局信息,并进一步使用VLAD层将每个点的几何描述符与视觉单词相关联来间接描述其高层语义信息。实验结果表明,所提出的DAM-Point Net VLAD网络框架在Model Net40数据集上达到了92.69%的分类精度。(2)针对基于深度学习的三维点云分类方法中对点云上一些重要区域关注有限,在聚合特征时通常会忽略掉一些邻域特征中的有用信息,提出了一种基于注意力和自适应图卷积的三维点云分类方法(Att-Adapt Net)。主要将自适应卷积核与图卷积结合起来构成自适应图卷积以此来获取三维点云的全局特征,并利用全局注意力机制来计算每个点的注意掩码,将其与自适应图卷积结合来关注特征区域,构建成了Att-Adapt Net网络。实验结果表明,所提方法在Mode Net40开放数据集上获得了93.3%的分类精度。

关键词：三维点云分类注意力机制图卷积深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的场景三维点云分类方法研究

基于深度学习的场景三维点云分类方法研究

作者：王旭娇河北工业大学

学位级别：硕士

近年来随着低成本小型化三维传感器的大量涌现,三维形状模型的获取变得越来越容易,三维形状模型的识别和分析成为了越来越受重视的研究方向。随着深度学习的迅猛发展,对三维形状的研究也从手工特征提取转向了深度神经网络。三维形状有... 详细信息

近年来随着低成本小型化三维传感器的大量涌现,三维形状模型的获取变得越来越容易,三维形状模型的识别和分析成为了越来越受重视的研究方向。随着深度学习的迅猛发展,对三维形状的研究也从手工特征提取转向了深度神经网络。三维形状有多视角图像、体素、点云、多边形网格等多种表示形式。本文针对三维点云数据的分类任务,总结了现有的几个深度学习模型——Point Net、Point Net++、Point CNN和kd-network的优缺点。在此基础上,设计并实现了三种基于Tensor Flow的深度学习点云分类模型。（1）提出了一个高效的融合KD tree的深度学习点云分类模型。针对Point Net++分层模型在处理点云分类任务时耗时较长的问题,本文在Point Net++分组层中加入了KD tree结构,通过在三维点云中构建树并进行邻域查询以创建局部区域集,然后输入到mini-PointNet中进行特征提取。同时针对网络过拟合问题,增加了dropout抑制网络对训练样本的过度拟合,减少了网络收敛时间。改进模型在Model Net40数据集上的分类结果表明,当查询半径为0.3m时分类准确率能达到92.5%,优于Point Net++分层模型。改进后的模型在Stanford 3D semantic parsing数据集的语义分割任务中,MIo U达到57.2%,表现出了更好的鲁棒性。（2）提出了一个基于改进softmax分类器的深度学习点云分类模型。针对softmax模型存在的参数冗余问题,在softmax代价函数中加入权重衰减,得到一个改进的softmax分类器。将改进的softmax分类器置于PointNet深度模型全连接层之后,使全连接层输出的k类分数归一化为（0,1）内的实数概率,以便于理解。实验分别在二维数据集MNIST和三维数据集ModelNet40上对模型进行评估。对于二维形状分类,该模型的分类精度达到了99.7%,对于三维形状分类,该模型输出准确率为91.1%,均超过了Point Net分类算法,证明了提出的模型在三维点云分类任务中的有效性。（3）提出了一个新的基于GCN的点云分类模型。针对PointNet模型没有考虑到局部特征的问题,本文设计了一个kNN graph层,在点云空间构造k近邻图,利用图结构对局部信息进行编码,从而更有效地利用点云的局部信息。分类实验在ModelNet40上进行,对比了不同近邻值k对模型分类精度的影响。结果表明在k取20时,分类准确率最高,达到了93.2%。

关键词：三维点云分类深度学习 KD tree softmax分类器 GCN

基于形状关系卷积神经网络的三维点云分类与分割技术

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于形状关系卷积神经网络的三维点云分类与分割技术

作者：梁攀上海工程技术大学

学位级别：硕士

近年来,深度相机、三维激光扫描仪、激光雷达等三维数据采集设备在机器人感知、无人驾驶、虚拟现实等三维感知领域有非常广泛的应用。此外,越来越多计算机视觉领域的学者把目光转到了以三维点云为研究对象的三维感知领域中。而三维点云... 详细信息

近年来,深度相机、三维激光扫描仪、激光雷达等三维数据采集设备在机器人感知、无人驾驶、虚拟现实等三维感知领域有非常广泛的应用。此外,越来越多计算机视觉领域的学者把目光转到了以三维点云为研究对象的三维感知领域中。而三维点云的分类与分割是三维感知领域的相关技术中最为基础且最为关键的任务,为三维场景理解与智能分析奠定了基础。因此,提高三维点云分类与分割技术的整体性能具有重要的实际应用意义。由于三维点云的数据结构具有无序性和非结构化的特点,在利用深度学习方法对三维点云进行分类识别与语义分割时仍然面临着诸多困难和挑战。本文针对三维点云分类任务的特点与三维点云分割任务的难点,分别提出了基于形状关系卷积神经网络(RS-CNN)的三维点云分类技术与基于注意力机制的三维点云分割技术。基于RS-CNN的三维点云分类技术,主要针对RS-CNN分类网络模型在提取三维点云的局部特征时,忽略了三维点云每个点的特征对分类算法的影响,且没有考虑有利于分类任务的全局关系特征。因此,本文提出了特征融合卷积运算符用于将每个点特征有效的融合到局部特征中。此外,本文还提出了全局关系推理模块,通过对各个局部区域进行全局关系推理以捕获能够对三维点云进行总体概括的全局关系特征。然后,本文基于RS-CNN的分类网络架构,针对三维点云分类任务的特点设计了基于RS-CNN的三维点云分类网络模型。最后,在三维点云分类数据集Model Net40上进行实验验证与分析。实验结果表明,与其他三维点云分类算法相比,本文所设计的分类网络模型在包含多种物体的三维点云分类数据集上,达到了较高的分类准确率。此外,还通过实验证明了所提出的特征融合卷积与全局关系推理模块的有效性。为提高三维点云数据分割的准确性与鲁棒性,本文基于RS-CNN分类网络的思想,提出了基于注意力机制的三维点云分割算法。通过使用注意力机制优化特征融合卷积,使优化后的基于注意力机制的特征融合卷积能有效提高局部区域的表征能力。此外,本文还设计了全局特征融合模块,用于将全局关系特征与各个局部区域的特征进行融合。然后,参考二维图像语义分割的网络结构搭建了基于注意力机制的三维点云分割网络模型,该网络模型由编码器、解码器以及跳跃连接组成。实验表明,该网络模型提高了三维点云分割的准确率,同时显著降低了模型的参数规模,达到了提高模型性能的目的。本文以三维点云作为直接处理对象,提出了基于RS-CNN的三维点云分类网络和基于注意力机制的三维点云分割网络,并通过实验对这两个网络模型进行了验证。本文的研究丰富了三维点云分类与分割技术的理论知识,为实际应用拓宽了道路。

关键词：形状关系卷积神经网络三维点云分类三维点云分割特征融合卷积

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于半监督学习的三维点云分类算法研究

基于半监督学习的三维点云分类算法研究

作者：陈伶俐厦门大学

学位级别：硕士

三维点云分类是计算机视觉领域中的重要课题之一,已被广泛应用于自动驾驶、虚拟现实以及增强现实等实际任务中。现有的三维点云分类算法大多是基于有监督学习,这些方法的实现依赖于大量的有标签点云数据。然而,数据标注的成本十分昂贵,... 详细信息

三维点云分类是计算机视觉领域中的重要课题之一,已被广泛应用于自动驾驶、虚拟现实以及增强现实等实际任务中。现有的三维点云分类算法大多是基于有监督学习,这些方法的实现依赖于大量的有标签点云数据。然而,数据标注的成本十分昂贵,这使得三维点云分类算法在实际应用中存在一定的局限性。半监督学习利用少量的有标签数据对网络进行判别性监督,并通过充分挖掘大量无标签数据的信息来提升网络的性能,大大减少了训练数据的标注成本。鉴于此,本文提出基于半监督学习的三维点云分类算法,具体如下:(1)为了缓解网络容易在少量有标签数据上发生过拟合的问题,提出了一种基于一致性的半监督点云分类算法。该算法使用一致性约束鼓励网络对原始的无标签点云和发生轻微形变的无标签点云预测一致,然后不断缩小相似样本预测分布之间的距离,以提高网络的泛化能力。同时,利用伪标记点云数据来加强网络的判别性监督,并提出一致性过滤机制来缓解错误伪标签带来的噪声问题。在公开数据集上的实验结果表明,该算法能够有效地提升网络的泛化能力。(2)为了加强网络的特征学习,提出了一种基于伪标签引导对比学习的半监督点云分类算法。首先,利用伪标签引导网络选取正负样本,将属于相同类别的数据划分为正样本,并将属于不同类别的数据划分为负样本。通过不断最小化对比损失,将正样本对之间的特征距离拉近以及将负样本对之间的特征距离推远,以提高网络的判别能力。其次,传统的伪标签生成技术同等地对待所有类别的数据,会导致网络偏向学习效果较好的类别。针对这一问题,提出了一种灵活的伪标签阈值控制策略,该策略能够根据网络对于不同类别的学习状态生成不同的阈值,以减小网络的学习偏差。实验结果表明,所提出的算法在利用少量标注信息的情况下,实现了与有监督方法可比的性能。

关键词：三维点云分类半监督学习一致性约束伪标签对比学习

基于改进SOM-K-Means算法的三维点云分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

智能计算机与应用 2022年第11期12卷 172-179页

作者：邬春学胡真豪上海理工大学光电信息与计算机工程学院上海200093

针对目前的点云分类是直接将原始点云作为输入并提前预设点云分类数存在的缺陷,本文提出一种改进的方法,在输入前对原始点云进行预处理,对密集的点云降低密度以减少计算量,对稀疏的点云进行三角形内部线性插值以便提取完整的特征,以此... 详细信息

针对目前的点云分类是直接将原始点云作为输入并提前预设点云分类数存在的缺陷,本文提出一种改进的方法,在输入前对原始点云进行预处理,对密集的点云降低密度以减少计算量,对稀疏的点云进行三角形内部线性插值以便提取完整的特征,以此提高点云分类的精度。将预处理后的点云数据输入SOM-K(K-Means优化的自组织映射神经网络)模型进行聚类,再将聚类后的点云数据并行通过PointNet网络进行点云数据特征的提取,这种先进行聚类后、进行特征提取的方法可以充分保留点云在点云空间中的分布特性,并且不额外增加数据特侦提取的计算时间。

关键词： SOM-K-Means算法三维点云分类三角形内部线性插值

维普期刊数据库博看期刊

基于特征融合的三维点云数据检索模型与原型系统研究

在线全文

学校读者我要写书评

暂无评论

基于特征融合的三维点云数据检索模型与原型系统研究

作者：顾砾苏州大学

学位级别：硕士

物体识别是计算机视觉的一个重要研究领域。在过去的几十年里,2D物体识别已被广泛研究,成为一个相对成熟的领域。相比于2D图像,3D数据在物体识别任务上具有更多的优势,能更好地还原物体的形状结构并提供更多的几何信息,这使得三维物体... 详细信息

物体识别是计算机视觉的一个重要研究领域。在过去的几十年里,2D物体识别已被广泛研究,成为一个相对成熟的领域。相比于2D图像,3D数据在物体识别任务上具有更多的优势,能更好地还原物体的形状结构并提供更多的几何信息,这使得三维物体识别在近年来成为一大研究热点。点云数据作为最典型也是最接近原始采集数据的一种三维表示方式,拥有广泛的运用前景。近年来3D扫描设备的快速发展使点云数据更加容易获取,三维点云逐渐成为一个研究热点。本文针对三维点云的分类和检索任务进行了深入研究,并在研究基础上设计与实现了原型系统。本文主要研究工作如下:(1)提出了基于多特征融合的三维点云分类方法:针对点云数据自身信息量不足的问题,从图像中引入信息作为补充。将通过点云特征提取模块获得的点云特征以及通过图像特征提取模块获得的图像特征,在分类层上进行加权线性融合,以提高模型的分类性能。在ModelNet40上的实验表明,融合后特征的表达能力有很大提升,模型整体分类准确率高达96.4%,超过了同期其他方法。(2)提出了基于多特征融合的三维模型检索方法:将分类方法中提出的特征融合方法扩展运用至三维模型检索任务中。分别提取输入模型的点云和图像特征并进行加权线性融合,通过L1和L2距离计算相似度。实验表明融合方法在检索任务中同样有效,其中加权线性融合在大规模模型库上表现最佳,P@10最高可达0.966。(3)设计并实现了三维模型检索原型系统:以上述研究为基础,结合实际需求,基于Python 3.6和WPF开发了三维模型分类及检索原型系统。针对深度学习模型迁移平台困难的问题,选择了客户机/服务器风格设计系统。系统分为客户端和服务端两部分,之间通过基于websocket实现的自定义远程过程调用框架进行数据传输。系统主要功能包括模型文件可视化、点云采样、投影图截取、模型分类、模型检索等。综上,通过点云和图像特征的融合,一定程度上弥补了点云本身信息量偏少的问题,融合特征在分类任务和检索任务上均拥有较好表现。同时,基于特征融合模型设计开发了原型系统,表明本文研究具有一定的实用性。

关键词：三维点云分类三维模型检索特征提取特征融合深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于随机森林的三维工件点云分类研究

人工智能与机器人研究 2024年第2期13卷 227-234页

作者：于喜俊段勇王笑飞沈阳工业大学信息科学与工程学院辽宁沈阳

针对三维工件点云分类问题,本文研究了一种基于随机森林的三维工件点云分类方法。首先,将由双目相机获得的工件深度图像和彩色图像转换为彩色工件点云;然后,通过三维点云预处理技术对工件点云进行预处理,从而获得目标工件点云,并提取工... 详细信息

针对三维工件点云分类问题,本文研究了一种基于随机森林的三维工件点云分类方法。首先,将由双目相机获得的工件深度图像和彩色图像转换为彩色工件点云;然后,通过三维点云预处理技术对工件点云进行预处理,从而获得目标工件点云,并提取工件点云特征;最后,使用随机森林模型学习工件点云特征,并进行工件点云分类。通过在T-LESS数据集上的实验,验证了本文研究工作的有效性。在10个测试集场景上的三维工件点云分类中,取得了较优的分类结果。

关键词：三维点云分类点云预处理随机森林工件分类