检索结果-南通市图书馆

检索条件"主题词=SnowFlakeNet"

共 1 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：

基于改进Transformer的三维点云补全方法研究

基于改进Transformer的三维点云补全方法研究

引用

作者：李德捷北京化工大学

学位级别：硕士

由于传感器的分辨率限制、视线遮挡或环境因素,采集到的三维点云数据不完整,存在空缺区域等。如何从不完整、稀疏的点云数据中恢复出完整的三维物体或场景是三维点云补全的主要目标,它在自动驾驶、机器人导航和三维建模等领域有着广泛... 详细信息

由于传感器的分辨率限制、视线遮挡或环境因素,采集到的三维点云数据不完整,存在空缺区域等。如何从不完整、稀疏的点云数据中恢复出完整的三维物体或场景是三维点云补全的主要目标,它在自动驾驶、机器人导航和三维建模等领域有着广泛的应用。目前,大多数点云补全的研究采用深度学习方法,然而,现有的方法在重建完整点云时往往忽略了物体的细节特征,并且有着计算量过大等问题。针对上述问题,本文研究了基于改进Transformer模型的点云补全算法。主要工作有:1、提出了一种基于PoinLin-Net深度学习神经网络的点云补全模型。该模型先通过Connect-DGCNN提取输入不完全点云的特征,并将点云转换为一定数量的点代理输入Linformer编码器。对当前点代理进行编码后,利用Linformer解码器来产生点云的中心点和预测缺失区域的点代理。然后,根据FoldingNet把点代表转换为相应的局部点云。通过从粗略到精细的方法,最终重建出完整的点云。基于Chamfer Distance指标的验证实验及与其他先进方法对比实验结果表明,该模型不仅显著提升了三维形状物体的补全精度,还有效降低了模型的参数量和计算量,加快了模型的平均推理时间。2、改进了一种基于snowflakenet深度学习神经网络的点云补全模型。该模型先运用K最近邻下采样、卷积操作、点转换器,整合形状上下文信息,生成包含全局和局部信息的形状特征。然后,引入新的种子生成模块从形状特征中提取局部信息,结合原始形状特征,再与原始点云合并获得粗糙点云。最后,通过关系型反卷积和Link-RelationTransformer模块细化点云局部结构,生成缺失点云,实现点云补全。在PCN和ShapeNet-55数据集上的实验表明,改进方法的平均Chamfer Distance指标比原方法降低了1%和21%。在Projected-ShapeNet-55数据集上的F1指标比原方法提高了5.53%,在Projected-ShapeNet-34数据集的可见类别和不可见类别中也取得了最佳的结果。

关键词：点云补全深度学习 PoinLin-Net snowflakenet Transformer模型

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

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

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：