检索结果-南通市图书馆

维普期刊数据库

融合Transformer与多阶段学习框架的点云上采样网络

在线全文

学校读者我要写书评

暂无评论

计算机科学 2024年第6期51卷 231-238页

作者：李泽锴柏正尧肖霄张奕涵尤逸琳云南大学信息学院昆明650500

借鉴Transformer在自然语言和计算机视觉领域强大的特征编码能力,同时受多阶段学习框架的启发,设计了一种融合Transformer与多阶段学习框架的点云上采样网络——MSPUiT。该网络采用二阶段网络模型,第一阶段是密集点生成网络,利用多层Tra... 详细信息

借鉴Transformer在自然语言和计算机视觉领域强大的特征编码能力,同时受多阶段学习框架的启发,设计了一种融合Transformer与多阶段学习框架的点云上采样网络——MSPUiT。该网络采用二阶段网络模型,第一阶段是密集点生成网络,利用多层Transformer编码器逐步实现从输入点云的局部几何信息、局部特征信息到点云高级语义特征的转换,特征扩充模块在特征空间中,对点云特征上采样,坐标回归模块将点云从特征空间重新映射回欧氏空间中初步生成密集点云M′;第二阶段是逐点优化网络,使用Transformer编码器对密集点云M′中潜藏的语义特征进行编码,联合上一阶段语义特征得到点云完整的语义特征,特征精炼单元从M′的几何信息和语义特征中提取点的误差信息特征,误差回归模块从误差信息特征中计算得到欧氏空间中点的坐标偏移量,实现对点云M′的逐点优化,使得点云上点的分布更加均匀,并且更加贴近真实物体表面。在大型合成数据集PU1K上进行了大量实验,MSPUiT生成的高分辨率点云在倒角距离(CD)、豪斯多夫距离(HD)、生成点云到原始点云块的距离(P2F)上的指标分别降至0.501×10^(-3),5.958×10^(-3),1.756×10^(-3)。实验结果表明,MSPUiT上采样后的点云表面更加光滑,噪声点更少,生成的点云质量高于当前主流的点云上采样网络。

关键词： Transformer编码器多阶段学习框架特征转换点云上采样深度学习

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

点云上采样技术研究

图像与信号处理 2024年第1期13卷 10-20页

作者：徐天张长伦北京建筑大学理学院北京

点云上采样旨在将稀疏、嘈杂、不完整的点云转换为密集、干净、完整的点云,这样有利于提高下游任务的性能。当前的点云上采样方法主要分为基于优化和基于学习的方法,本文针对基于深度学习的点云上采样算法进行了综述。本文从点云上采样... 详细信息

点云上采样旨在将稀疏、嘈杂、不完整的点云转换为密集、干净、完整的点云,这样有利于提高下游任务的性能。当前的点云上采样方法主要分为基于优化和基于学习的方法,本文针对基于深度学习的点云上采样算法进行了综述。本文从点云上采样的开山之作PU-Net引入,阐述了上采样算法的发展,并总结了插值算法在点云上采样中的应用,然后对不同特征扩展方法进行了比较,介绍了上采样算法的评价指标和常用数据集,最后对点云上采样的发展前景进行了展望。

关键词：深度学习点云上采样特征扩展

融合Transformer与多阶段学习框架的点云上采样网络

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

计算机科学 2023年

作者：李泽锴柏正尧肖霄张奕涵尤逸琳云南大学信息学院

借鉴Transformer在自然语言和计算机视觉领域强大的特征编码能力，同时受多阶段学习框架的启发，设计了一种融合Transformer与多阶段学习框架的点云上采样网络——MSPUiT。该网络采用二阶段网络模型，第一阶段是密集点生成网络，利用多... 详细信息

借鉴Transformer在自然语言和计算机视觉领域强大的特征编码能力，同时受多阶段学习框架的启发，设计了一种融合Transformer与多阶段学习框架的点云上采样网络——MSPUiT。该网络采用二阶段网络模型，第一阶段是密集点生成网络，利用多层Transformer编码器逐步实现从输入点云的局部几何信息、局部特征信息到点云高级语义特征的转换，特征扩充模块在特征空间中对点云特征上采样，坐标回归模块将点云从特征空间重新映射回欧式空间中初步生成密集点云M；第二阶段是逐点优化网络，使用Transformer编码器对密集点云M中潜藏的语义特征进行编码，联合上一阶段语义特征得到点云完整的语义特征，特征精炼单元从M的几何信息和语义特征中提取点的误差信息特征，误差回归模块从误差信息特征中计算得到欧式空间中点的坐标偏移量，实现对点云M的逐点优化，使得点云上点的分布更加均匀，并且更加贴近真实物体表面。在大型合成数据集PU1K上进行大量实验，MSPUiT生成的高分辨率点云在倒角距离(Chamfer Distance，CD)、豪斯多夫距离(Hausdorff Distance，HD)、生成点云到原始点云块的距离(P2F)上的指标分别降至0.501×10-3、5.958×10-3、1.756×10-3。实验结果表明，MSPUiT上采样后的点云表面更加光滑，噪声点更少，生成的点云质量高于当前主流的点云上采样网络。

关键词： Transformer编码器多阶段学习框架特征转换点云上采样深度学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

嵌入注意力机制的并行多尺度点云上采样方法

计算机科学 2023年

作者：肖霄柏正尧李泽锴刘旭珩杜佳锦云南大学信息学院

目前基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取，导致输出的密集点云存在异常值过多，细粒度不高等问题。为解决上述问题，提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel multi... 详细信息

目前基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取，导致输出的密集点云存在异常值过多，细粒度不高等问题。为解决上述问题，提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel multiscale with attention mechanism for point cloud upsampling，PMA-PU)，网络由特征提取器、特征拓展器、坐标细化器和坐标重建器四个模块级联组成。首先给定一个N×3的稀疏点云作为输入，为了获得的点云的全局和局部特征信息，设计了一个嵌入注意力机制的并行多尺度特征提取模块(PMA)将三维空间的点云映射到高维特征空间。其次使用边缘卷积特征拓展器拓展点云特征维度后得到高维点云特征，以更好地保留点云特征的边缘信息，将高维点云特征通过坐标重建器转换回三维空间中。最后使用坐标细化器精细调整输出点云细节。PMA-PU在合成数据集PU1K上对比实验结果表明，生成的密集点云在三个评价指标倒角距离(Chamfer Distance，CD)、豪斯多夫距离(Hausdorff Distance，HD)和P2F(Point-to-Surface)上都有显著提升，分别比性能第二的网络模型优化了7.863%，21.631%，14.686%。可视化结果证明了PMA-PU具有性能更好的特征提取器，能够生成细粒度更高，形状更接近真实值密集密点云。

关键词： 3D点云深度学习点云上采样并行多尺度特征提取注意力机制

DGOA：基于动态图和偏移注意力的点云上采样

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

图学学报 2023年

作者：韩亚振尹梦晓马伟钊杨诗耕胡锦飞朱丛洋广西大学计算机与电子信息学院广西多媒体通信与网络技术重点实验室

由三维扫描设备直接得到的点云经常是稀疏、不均匀、有噪声的，因此点云上采样在点云重建、渲染等领域扮演了越来越关键的角色。提出了一种新的基于动态图和偏移注意力的点云上采样网络DGOA(Dynamic Graph and Offset Attention)，DGOA... 详细信息

由三维扫描设备直接得到的点云经常是稀疏、不均匀、有噪声的，因此点云上采样在点云重建、渲染等领域扮演了越来越关键的角色。提出了一种新的基于动态图和偏移注意力的点云上采样网络DGOA(Dynamic Graph and Offset Attention)，DGOA主要包含LFE(Local Feature Extraction，局部特征提取)、GFE(Global Feature Extraction，全局特征提取)和CR(Coordinate Reconstruction，坐标重建)3个模块。LFE采用多层结构提取邻域信息，每层基于特征相似性构建动态图，可以在特征空间自适应的将点云分组，增大感受野，获得长距离的语义信息，更好的建模点云的局部几何形状。GFE采用基于拉普拉斯算子的偏移注意力使每个点都能获得点云的全局信息，使生成点云的细节与原始点云一致，减少噪声的影响。CR借鉴FoldingNet操作，避免生成点的聚集。此外，整个网络与输入点云中点的顺序无关，具有置换不变性。在多个数据集的定量与定性实验结果表明，本文方法优于其他方法，并且具有良好的泛化性和稳定性。

关键词：点云点云上采样动态图偏移注意力深度学习

基于可逆神经网络的点云上采样与压缩算法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于可逆神经网络的点云上采样与压缩算法研究

作者：段雅琪华南理工大学

学位级别：硕士

近年来,随着深度数据传感器的发展,点云已被广泛用于各种应用中,例如文化遗产重建,地球物理信息系统,自动驾驶,实时定位与地图构建和虚拟/增强现实。一方面,由于硬件的限制及现实世界光照和材料的复杂性,LiDAR等传感器获得的点云通常是... 详细信息

近年来,随着深度数据传感器的发展,点云已被广泛用于各种应用中,例如文化遗产重建,地球物理信息系统,自动驾驶,实时定位与地图构建和虚拟/增强现实。一方面,由于硬件的限制及现实世界光照和材料的复杂性,LiDAR等传感器获得的点云通常是稀疏的和不规则的,这会进一步影响到下游任务的性能。因此,将稀疏和不规则的点云上采样为稠密和均匀的数据,在计算机视觉和图形学领域中引起了较多的关注。另一方面,在下游任务中,大量点云数据的传输与存储也同样是一个挑战。因此点云压缩是至关重要的,但也是复杂的。因为点云压缩处于信号处理、数据压缩、计算机图形学等最先进方法的交叉点上。本文针对点云上采样问题构建了一个基于可逆神经网络的方法,称为PU-INN。通过对残差块引入Lipschitz约束实现了无约束的Jacobian架构。本文设计了条件注入器,以进一步提高网络的表征能力,其中包括一个特征提取模块和一个特征融合模块。特征提取器模块对稀疏点云的全局和局部特征进行编码。特征融合模块利用注意力机制,将全局特征与局部特征聚合起来。本文还特别设计了一个轻量级的点插值器,其根据可逆网络建模的高维潜在空间中的语义相似度距离来扩展点。潜在空间的插值可以直接通过可逆网络的逆向映射反映在欧几里得空间。此外,本文还收集了25个复杂的雕塑模型,称为PU25数据集,来定量评估上采样点集。本文针对点云压缩问题构建了同样基于可逆网络的算法,称为PCC-INN。其通过条件上下文模型和超编码器进行处理,以对基于自回归空间通道邻域的潜在特征和超先验进行条件概率估计,从而进一步提高熵编码器的比特率预测结果。本文设计了一个多层次特征级联模块来从输入点云获取不同级别的特征信息,来增强潜在特征的表征能力,其获取了点依赖关系编码,局部空间关系编码,全局空间关系编码。本文还设计了基于注意力的点采样器,来转换特征尺度,减少邻域冗余信息,以捕获多尺度特征。本文还提出比例因子以实现压缩率统一模型。本文将PU-INN与PCC-INN的结果与其各领域最先进的国内外方法进行比较。实验结果表明,与SOTA方法相比,PU-INN和PCC-INN在定性和定量评价方面均取得了更好的性能。本文还分别设计了消融实验以验证网络模块的可靠性和鲁棒性。

关键词：三维视觉可逆神经网络点云上采样点云压缩深度学习

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

基于深度学习的点云上采样算法研究

图像与信号处理 2023年第1期12卷 21-31页

作者：王皓辰张长伦黎铭亮北京建筑大学理学院北京北京建筑大学北京

点云上采样能够提高点云分辨率并保持点云的特征,近年来越来越受到人们的重视。基于深度学习的点云上采样算法相较于基于优化的算法,能够更有效地学习点云的特征和结构,且对数据的先验要求不高,取得了先进的上采样效果。因此基于深度学... 详细信息

点云上采样能够提高点云分辨率并保持点云的特征,近年来越来越受到人们的重视。基于深度学习的点云上采样算法相较于基于优化的算法,能够更有效地学习点云的特征和结构,且对数据的先验要求不高,取得了先进的上采样效果。因此基于深度学习的点云上采样是当前许多学者主要研究的方向之一。本文综述了基于深度学习的点云上采样算法,阐述了点云上采样的整体框架以及改进的策略,并介绍了点云上采样效果的评价指标以及常用的数据集,最后探讨了点云上采样的未来的几个极具潜力的发展方向。

关键词：深度学习点云上采样

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于深度学习方法的三维点云上采样技术

基于深度学习方法的三维点云上采样技术

中国计算机用户协会网络应用分会2022年第二十六届网络...

作者：苏翊舟王训伟齐广浩雷保珍贯怀光北京市信息服务工程重点实验室北京联合大学北京市智能机械创新设计服务工程技术研究中心中汽研(天津)汽车工程研究院有限公司

随着传感器和深度学习的火热发展,以往难以获取的三维点云数据也成为了表示三维物体的主要方式之一。但点云数据极易受到获取方式、获取环境、人为因素等不可控的原因所影响,因此原始的点云数据不可直接使用,故对原始点云数据进行补全... 详细信息

随着传感器和深度学习的火热发展,以往难以获取的三维点云数据也成为了表示三维物体的主要方式之一。但点云数据极易受到获取方式、获取环境、人为因素等不可控的原因所影响,因此原始的点云数据不可直接使用,故对原始点云数据进行补全修正就变得十分重要,而在点云补全的任务中上采样占有着十分必要的地位。文中详细介绍了各种点云修复中上采样技术的常用方法,并总结了经典的网络,然后介绍了部分常用的数据库,探讨了所面临的挑战和未来的发展趋势。

关键词：三维点云点云修复点云上采样神经网络

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于深度学习的三维点云上采样技术研究

基于深度学习的三维点云上采样技术研究

作者：邱驰杭州师范大学

学位级别：硕士

随着人们对三维场景应用需求的不断提升,三维点云这种三维数据表达形式得到了越来越多的关注。然而,通过激光雷达等方式获取到的点云往往是稀疏、不均匀且有噪音的,这会极大地限制点云数据的使用。因此,如何通过点云上采样的方式获得均... 详细信息

随着人们对三维场景应用需求的不断提升,三维点云这种三维数据表达形式得到了越来越多的关注。然而,通过激光雷达等方式获取到的点云往往是稀疏、不均匀且有噪音的,这会极大地限制点云数据的使用。因此,如何通过点云上采样的方式获得均匀、密集且干净的点云数据非常重要。近年来,随着深度学习在计算机视觉领域的突飞猛进,学者们开始尝试使用神经网络来处理点云问题。结合以上背景和需求,本文提出了一种基于深度学习的三维点云上采样的新方法,设计了一个轻量级且高效的点云上采样网络模型,更好地解决了三维点云上采样的问题。本文的主要工作如下:提出了一种新的基于神经网络的方法来实现点云上采样,该网络模型由三个模块组成:点云特征提取、扰动值学习和坐标重建。通过端到端学习,该网络模型能够有效地对稀疏、不均匀且有噪音的点云进行上采样,得到密集、均匀且干净的点云结果。受启发于曲面的微分几何思想,提出了自适应的二维扰动值学习方法,通过神经网络来自适应学习上采样点相对于输入点的二维扰动值,进而得到三维坐标残差值,并用于重建最终的上采样点云。为能够更好地训练模型和提高上采样效果,本论文基于已有的工作制作了一个更加丰富的数据集,共包括117个3D模型,36000对训练数据对,实验结果表明,该数据集覆盖了更多的特征与内容,更有利于上采样网络的训练。论文对所提出的方法进行了深入的实验与验证。结果表明,与已有的工作相比,所提出的方法在客观评价指标如倒角距离(Chamfer Distance)、点到面距离等均超过了当前工作,主观可视化效果也显著优于当前工作。此外,所提出的网络模型只有5.01MB,远小于现有网络模型,更加具有实用潜力。

关键词：点云上采样扰动值学习神经网络特征提取三维表达