检索结果-南通市图书馆

综合动态图卷积和局部关系卷积的点云分类与分割

在线全文

学校读者我要写书评

暂无评论

测绘科学 2023年第8期48卷 182-192页

作者：陈西江邓辉赵不钒花向红李彭武昌理工学院人工智能学院武汉430223 武汉理工大学安全科学与应急管理学院武汉430079 武汉大学测绘学院武汉430072

针对大多数深度学习网络忽略了点云的局部特征信息,对局部特征的提取能力不足的问题,该文将基于动态图的特征拼接和局部域关系卷积深度学习网络结合起来,进行点云分类和分割。提出的方法通过动态图卷积网络提取特征,获得包含更多信息的... 详细信息

针对大多数深度学习网络忽略了点云的局部特征信息,对局部特征的提取能力不足的问题,该文将基于动态图的特征拼接和局部域关系卷积深度学习网络结合起来,进行点云分类和分割。提出的方法通过动态图卷积网络提取特征,获得包含更多信息的特征点。再次构建局部邻域,将特征点作为输入,寻找特征点之间的低维关系。最后通过关系卷积实现点云的分类和分割。实验表明,所提出的方法在点云分类上的总体准确率(OA)达到93.8%,比PointNet、DGCNN、RS-CNN和MSHANet分别高4.6%、0.9%、0.9%、2.5%。所提方法在部件分割上的平均交并比(mIoU)分别高于PointNet、DGCNN、RS-CNN和LRC-Net。所提出的方法在语义分割上的OA和mIoU比PointTransformer分别高2.1%和1.1%。

关键词：深度学习点云分类与分割局部特征图卷积关系卷积

基于Spider卷积的三维点云分类与分割网络

在线全文

学校读者我要写书评

暂无评论

计算机应用 2020年第6期40卷 1607-1612页

作者：王本杰农丽萍张文辉林基明王俊义桂林电子科技大学信息与通信学院广西桂林541004 西安电子科技大学通信工程学院西安710071 广西师范大学物理科学与技术学院广西桂林541004

针对传统的卷积神经网络(CNN)不能直接处理点云数据,需先将点云数据转换为多视图或者体素化网格,导致过程复杂且点云识别精度低的问题,提出一种新型的点云分类与分割网络Linked-Spider CNN。首先,在Spider CNN基础上通过增加Spider卷积... 详细信息

针对传统的卷积神经网络(CNN)不能直接处理点云数据,需先将点云数据转换为多视图或者体素化网格,导致过程复杂且点云识别精度低的问题,提出一种新型的点云分类与分割网络Linked-Spider CNN。首先,在Spider CNN基础上通过增加Spider卷积层数以获取点云深层次特征;其次,引入残差网络的思想在每层Spider卷积增加短连接构成残差块;然后,将每层残差块的输出特征进行拼接融合形成点云特征;最后,使用三层全连接层对点云特征进行分类或者利用多层卷积层对点云特征进行分割。在ModelNet40和ShapeNet Parts数据集上将所提网络与PointNet、PointNet++和Spider CNN等网络进行对比实验,实验结果表明,所提网络可以提高点云的分类精度和分割效果,说明该网络具有更快的收敛速度和更强的鲁棒性。

关键词：卷积神经网络 Spider卷积点云分类与分割残差块鲁棒性

在线全文

学校读者我要写书评

暂无评论

基于深度学习的三维点云分类与分割研究

基于深度学习的三维点云分类与分割研究

作者：王本杰桂林电子科技大学

学位级别：硕士

随着三维点云数据广泛应用于机器人、无人驾驶和三维场景漫游等领域,三维点云的数据量急剧增加,因此提出高效智能化的三维点云识别方法具有重要的现实意义。目前,深度学习在计算机视觉等领域已经取得了很大的进展。本文将深度学习运用... 详细信息

随着三维点云数据广泛应用于机器人、无人驾驶和三维场景漫游等领域,三维点云的数据量急剧增加,因此提出高效智能化的三维点云识别方法具有重要的现实意义。目前,深度学习在计算机视觉等领域已经取得了很大的进展。本文将深度学习运用到三维点云识别任务中,并取得以下研究成果和结论:基于Spider卷积的三维点云分类与分割网络。针对Spider卷积神经网络(Convolutional Neural Network,CNN)无法充分地从三维点云数据中获取深层次特征信息的问题,设计出一种可以直接处理三维点云数据的分类与分割网络:Linked-Spider CNN,该方法基于Spider CNN和残差网络思想结合。首先在Spider CNN基础上通过增加Spider卷积层数以获取点云深层次特征;其次引入残差网络的思想在每层Spider卷积增加短连接构成残差块,并将每层Spider卷积的输出进行拼接融合形成点云特征数据,然后利用点云特征数据进行分类和分割。实验结果表明,相比于Point Net++、Spider CNN等网络,所提网络可以提高点云的分类精度和分割效果,并证明了该网络具有更快的收敛速度、更强的鲁棒性等。基于全局和局部相关性信息结合的点云分类网络。Linked-Spider CNN虽然在点云识别任务中表现突出,然而它并没有考虑点云特征数据之间的高阶相关性信息。针对此问题,本文在超图神经网络(Hypergraph Neural Networks,HGNN)的基础上结合超图随机游走设计出基于全局和局部相关性信息结合的点云分类网络。首先将点云特征数据构造成超图,在超图上通过随机游走过程获得点云特征数据之间的全局相关性信息,同时利用超边卷积获取点云特征数据之间局部相关性信息。最后将局部和全局相关性信息进行拼接融合,并且将其输入到分类器。通过实验证明所提网络相比于HGNN等网络拥有良好的分类性能。

关键词：深度学习点云分类与分割残差网络全局相关性局部相关性

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

基于动态图卷积网络的点云分类和分割网络

激光与光电子学进展 2021年第12期58卷 454-461页

作者：王江安何娇庞大为长安大学信息工程学院陕西西安710064

点云分类和分割是三维场景理解中的关键步骤。针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN。在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换... 详细信息

点云分类和分割是三维场景理解中的关键步骤。针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN。在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换网络以简化网络结构;引入深度残差网络的思想连接不同网络层的输出特征,形成点云特征,同时使网络训练更加稳定。基于ModelNet40和ShapeNet Parts数据集将该网络与其他点云网络进行对比实验,实验结果表明,该网络在稀疏点云输入和遮挡情况下,相比其他方法有较高的点云分类和分割精度,由此说明该网络具有较强的鲁棒性。

关键词：机器视觉深度学习点云分类与分割图卷积神经网络深度残差网络

在线全文

学校读者我要写书评

暂无评论

面向形状特征的多维度多层级点云分析

中国图象图形学报 2022年第2期27卷 562-573页

作者：徐嘉利方志军伍世虔上海工程技术大学电子电气工程学院上海201620 武汉科技大学机械自动化学院武汉430081

目的 3维点云是编码几何信息的主要数据结构,与2维视觉数据不同的是,点云中隐藏了3维物体中重要的形状特征。为更好地从无序的点云中挖掘形状特征,本文提出一种能够端到端且鲁棒地处理点云数据的多维度多层级神经网络(multi-dimensional... 详细信息

目的 3维点云是编码几何信息的主要数据结构,与2维视觉数据不同的是,点云中隐藏了3维物体中重要的形状特征。为更好地从无序的点云中挖掘形状特征,本文提出一种能够端到端且鲁棒地处理点云数据的多维度多层级神经网络(multi-dimensional multi-layer neural network,MM-Net)。方法多维度特征修正与融合(multidimensional feature correction and fusion module,MDCF)模块从多个维度自适应地修正局部特征和逐点特征,并将其整合至高维空间以获得丰富的区域形状。另一方面,多层级特征衔接(multi-layer feature articulation module,MLFA)模块利用多个层级间的远程依赖关系,推理得到网络所需的全局形状。此外设计了两种分别应用于点云分类与分割任务的网络结构MM-Net-C(multi-dimensional multi-layer feature classification network)和MM-Net-S(multi-dimensional multi-layer feature segmentation network)。结果在公开的ModelNet40数据集与Shape Net数据集上进行测试,并与多种方法进行比较。在ModelNet40数据集中,MM-Net-C的分类精度较Point Net++和DGCNN(dynamic graph convolutional neural network)方法分别提高了2.2%和1.9%;在Shape Net数据集中,MM-Net-S的分割精度较ELM(extreme learning machine)和A-CNN(annularly convolutional neural networks)方法分别提高了1.2%和0.4%。此外,在ModelNet40数据集中的消融实验验证了多维度多层级神经网络(MM-Net)架构的可靠性,消融实验的结果也表明了多维度特征修正与融合(MDCF)模块和多层级特征衔接(MLFA)模块设计的必要性。结论本文提出的多维度多层级神经网络(MM-Net)在分类与分割任务中取得了优秀的性能。

关键词： 3维点云点云分类与分割深度学习形状特征多维度特征多层级特征