检索结果-南通市图书馆

kd-tree and quad-tree decompositions for declustering of 2D range queries over uncertain space

Frontiers of Information Technology & Electronic Engineering 2015年第2期16卷 98-108页

作者： Ahmet SAYAR Suleyman EKEN Okan OZTURK Department of Computer Engineering Kocaeli University Kocaeli 41380 Turkey

We present a study to show the possibility of using two well-known space partitioning and indexing techniques, kd trees and quad trees, in declustering applications to increase input/output （I/O） paraUelization and reduce spatial data processing times. This parallelization enables time-consuming computational geometry algorithms to be applied efficiently to big spatial data rendering and querying. The key challenge is how to balance the spatial processing load across a large number of worker nodes, given significant performance heterogeneity in nodes and processing skews in the workload.

关键词： kd tree Quad tree Space partitioning Spatial indexing Range queries Query optimization

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

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

引用

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

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

基于深度学习的三维点云识别方法研究

基于深度学习的三维点云识别方法研究

引用

作者：孙虎飞哈尔滨工程大学

学位级别：硕士

在现实中,数字化设备已经逐渐应用到生活中的各行各业,而且计算能力也为生活的方方面面提供便利,新型设备也逐渐出现在生活中。面对不断升级的技术力量,深度学习再次走在了智能的前沿。近年来,随着技术的不断发展,传感器在生活中得到普... 详细信息

在现实中,数字化设备已经逐渐应用到生活中的各行各业,而且计算能力也为生活的方方面面提供便利,新型设备也逐渐出现在生活中。面对不断升级的技术力量,深度学习再次走在了智能的前沿。近年来,随着技术的不断发展,传感器在生活中得到普遍的应用,这使得3D点云数据很容易被获取,3D点云因其尺度信息、几何形状丰富,在场景理解中,起到了关键性的作用。因此神经网络在二维图像、视频领域的识别任务中有着优异的效果,研究人员逐渐的将卷积神经网络应用到点云之中。在许多的点云识别的任务中,在自动驾驶领域、电力线路的巡检、三维重构、森林物种检测等重要领域起着关键性的作用,因此点云识别的研究变得极为重要。本文通过了解、熟悉、总结前人研究工作的同时,针对点云识别的效率,精确度等问题,设计了两种有效的三维点云识别算法,研究内容如下:(1)在点云识别网络模型中,局部特征的提取是非常重要的,因此采样的过程是至关重要的。由此论文设计了一种新颖的数据构造策略—覆盖感知网络查询。通过利用网格的空间效率,该数据结构提高空间复杂度的同时,降低了时间理论复杂度,本文设计新的网络结构,模型的准确度达到了 92.2%,类别的平均准确度达到88.0%。(2)为了更好的提高模型的精度以及解决耗时的问题,同时提高模型对噪声的抑制力,本文设计了一种基于kd tree的网络共享机制点云识别算法,通过建树,在指定半径内搜索的方法,寻找关键点在指定半径内的近邻点,构建局部区域的点云子集,通过MLP提取特征;然而大多数的点云卷积在操作的时候只使用欧氏空间的近邻点,使得在聚合全局特征的时候,信息不充分,同时几何结构相似的点在欧氏空间是距离较远的,因此通过利用点与点之间的联系,通过构造特征根图,找出特征根下的近邻点,把一些局部相似但是欧氏距离较远的点联系起来,这样就可以聚合丰富的局部特征,最后将欧氏空间特征和特征值空间的特征同时输入到网络模型中,提高识别精确度。通过实验证明,当模型中设置半径为0.1m,0.2m,0.3m时,精确率分别达到了为91.0%,92.5%,93.1%,识别率在很大程度上得到了提高。本文在提出的两种识别算法分别在Pytorch1.6和Pytorch1.4环境下实现,同时本文也采取了在不同的数据集上做出了综合性的实验,最终验证了两种模型的可行性,鲁棒性以及有效性,使得模型在实际的工程中可以提供一定程度上的使用价值。

关键词： kd tree 特征值空间特征图覆盖感知网络查询

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

结合离群因子和K-means++聚类改进的点云去噪算法

引用

信息技术与信息化 2023年第3期 21-24页

作者：徐志博刘永生户盼茹长安大学道路施工技术与装备教育部重点实验室陕西西安710064

针对扫描点云存在的团簇状离散噪声去除问题,将其分为离群噪声点和孤立噪声簇,通过利用采样点及其邻域密度的相似性构建的离群因子实现对离群噪声点有效识别去除。此外使用K-means++算法对点云进行聚类处理,通过对初始聚类中心选取方式... 详细信息

针对扫描点云存在的团簇状离散噪声去除问题,将其分为离群噪声点和孤立噪声簇,通过利用采样点及其邻域密度的相似性构建的离群因子实现对离群噪声点有效识别去除。此外使用K-means++算法对点云进行聚类处理,通过对初始聚类中心选取方式的改变,提高聚类的准确性及效率,同时提出聚类评价函数定量评价不同初始聚类中心值下的聚类效果。最后选取公开斯坦福大学扫描点云库中的公开点云集及实测鼠标点云进行实验验证,结果表明,文章算法取得显著的去噪效果,具有较高的去噪准确性和去噪效率,对具有不同强度噪声的点云模型,噪声去除率保持在的95%以上。

关键词：三维点云处理局部离群因子 kd tree K-means++

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

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

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

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：