CN110321910A - 面向点云的特征提取方法、装置及设备 - Google Patents
面向点云的特征提取方法、装置及设备 Download PDFInfo
- Publication number
- CN110321910A CN110321910A CN201810271498.3A CN201810271498A CN110321910A CN 110321910 A CN110321910 A CN 110321910A CN 201810271498 A CN201810271498 A CN 201810271498A CN 110321910 A CN110321910 A CN 110321910A
- Authority
- CN
- China
- Prior art keywords
- point
- feature
- point cloud
- cloud data
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种面向点云的特征提取方法包括：获取点云数据；将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；根据所述卷积神经网络的计算结果，提取所述点云数据的特征。由于本申请可以直接输入点云进行计算，不需要将点云数据转换为其它复杂的数据格式，有利于减少内存占用和计算机资源的消耗，能够更为快速的提取丰富的特征数据。通过本申请所述的面向点云的特征提取方法，可以有效的应用于物体或图像分类、配准和重建。
Description
技术领域
本申请属于图像处理领域，尤其涉及面向点云的特征提取方法、装置及设备。
背景技术
卷积神经网络(英文全称为Convolutional Neural Network，英文简称为CNN)是一种前馈神经网络，由一个或多个卷积层(对应传统图像处理的滤波器)、全连接层和池化层等组成。它的人工神经元可以响应一部分覆盖范围内的周围单元，浅层的网络可以提取低级图像特征如边缘、线条和角等分层，深层的网络能丛低级特征中迭代提取更复杂的特征。所述卷积神经网络的参数可以由反向传播优化算法求出。由于卷积神经网络使用参数较少，在大规模图像处理上有出色表现。
但是，在使用卷积神经网络对点云进行特征的学习或提取时，需要先将点云转换为其它的数据格式，比如需要提取三维模型的极视图，作为卷积神经网络的输入；或者将点云转换成深度图像表示，通过堆叠卷积自动编码器网络提取深度图像的特征。由于需要对点云进行数据转换，会造成内存占用大、消耗较多的计算机资源，容易丢失空间几何信息。
发明内容
有鉴于此，本申请实施例提供了一种面向点云的特征提取方法、装置及设备，以解决现有技术中对点云数据进行特征提取时，需要进行数据转换，造成内存占用大，消耗较多的计算机资源，而且容易丢失空间几何信息的问题。
本申请实施例的第一方面提供了一种面向点云的特征提取方法，所述方法包括：
获取点云数据；
将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；
根据所述卷积神经网络的计算结果，提取所述点云数据的特征。
结合第一方面，在第一方面的第一种可能实现方式中，所述将所述点云数据输入预先训练完成的卷积神经网络的步骤包括：
将所述点云数据输入包括有多层卷积层的卷积神经网络，所述多层卷积层分别对应不同数量的参数化卷积核；
所述根据所述卷积神经网络的计算结果，提取所述点云数据的特征的步骤包括：
将多层提取的局部特征进行并联，通过最大K池化方法从并联的局部特征中提取全局特征。
结合第一方面或第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，在所述根据所述卷积神经网络的计算结果，提取所述点云数据的特征的步骤之后，所述方法还包括：
通过多层感知器和/或归一化指数函数处理所提取的点云数据的特征，得到点云数据所对应的类别预测概率。
结合第一方面，在第一方面的第三种可能实现方式中，在所述将所述点云数据输入预先训练完成的卷积神经网络的步骤之前，所述方法还包括：
通过K-近邻排序计算所述参数化卷积核中的半径阶梯函数。
结合第一方面，在第一方面的第四种可能实现方式中，所述方法还包括：
采集物体点云数据，对采集的点云数据进行标注分类；
将分类后的类别中的第一部分点云数据中对卷积神经网络的卷积核进行训练，得到训练完成的卷积神经网络；
将分类后的类别中的第二部分点云数据作为验证数据，评估所述卷积神经网络。
结合第一方面，在第一方面的第五种可能实现方式中，在所述将所述点云数据输入预先训练完成的卷积神经网络的步骤之前，所述方法还包括：
通过旋转点云，和/或使点云的点坐标在所述点周围的预定范围内震荡，对点云数据进行增强；
和/或，对点云中的点进行随机删除。
结合第一方面的第五种可能实现方式，在第一方面的第六种可能实现方式中，所述对点云中的点进行随机删除的步骤包括：
根据预先设定的最大随机概率，随机生成随机概率；
根据生成的随机概率对点云中的点进行删除。
本申请实施例的第二方面提供了一种面向点云的特征提取装置，所述装置包括：
点云数据采集单元，用于获取点云数据；
输入单元，用于将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；
特征提取单元，用于根据所述卷积神经网络的计算结果，提取所述点云数据的特征。
结合第二方面，在第二方面的第一种可能实现方式中，所述输入单元用于：
将所述点云数据输入包括有多层卷积层的卷积神经网络，所述多层卷积层分别对应不同数量的参数化卷积核；
所述特征提取单元用于：
将多层提取的局部特征进行并联，通过最大K池化方法从并联的局部特征中提取全局特征。
结合第二方面或第二方面的第一种可能实现方式，在第二方面的第二种可能实现方式中，所述装置还包括：
类别预测单元，用于通过多层感知器和/或归一化指数函数处理所提取的点云数据的特征，得到点云数据所对应的类别预测概率。
本申请实施例的第三方面提供了一种面向点云的特征提取设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面任一项所述面向点云的特征提取方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面任一项所述面向点云的特征提取方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：通过设定卷积神经网络的卷积核为参数化卷积核，且所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，输入点是以原点为中心，在半径的三维范围内点云，半径是原点为起点，输入点为终点的向量的长度，因而可以直接输入点云进行计算，不需要将点云数据转换为其它复杂的数据格式，有利于减少内存占用和计算机资源的消耗，能够更为快速的提取丰富的特征数据。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种面向点云的特征提取方法的实现流程示意图；
图2为现有技术中通过卷积神经网络的卷积核处理的信号点的示意图；
图3是本申请实施例提供的本申请提供的卷积核所处理的信号点的示意图；
图4是本申请实施例提供的基于三层蛛卷积层进行点云分割的实现流程示意图；
图5是本申请实施例提供的基于四层蛛卷积层进行点云分割的实现流程示意图；
图6为本申请实施例提供的基于四层蛛卷积层的点云分割效果示意图；
图7为本申请提供的基于蛛卷积神经网络应用于场景分割的示意图；
图8为本申请提供的蛛卷积神经网络用于三维场景重建场景的示意图；
图9为本申请提供的蛛卷积神经网络用于点云配准的应用示意图；
图10是本申请实施例提供的面向点云的特征提取装置的示意图；
图11是本申请实施例提供的面向点云的特征提取设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了解决上面所指出的问题，本申请提出了将滤波器参数化的蛛卷积层，避免了复杂的采样和数据结构的设计。通过设计一组有效的参数化滤波器，可以有效的学习点云的局部几何特征；并且包括有参数化卷积核的卷积神经网络，可以直接处理分布在点云这类非规则格点数据上的信号，递进式地学习点云数据的几何特征。本申请不仅适用于自动驾驶设备(包括自动驾驶设备的障碍物检测，路径自动规划等)，同样适用于家庭服务机器人(包括物体检测系统、抓取系统等)，在人机交互领域中，可以实时而准确地提供用户的行为识别和检测功能，提升准确性、趣味性的同时还能为人机交互活动提供安全保障。
为了说明本申请所述的技术方案，下面结合附图，通过具体实施例来进行说明。
如图1所示，本申请实施例所述提供的一种面向点云的特征提取方法，所述方法包括：
在步骤S101中，获取点云数据；
具体的，所述点云数据可以通过采集的方式获取，可以通过激光设备、立体摄像机或者越渡时间相机进行采集。可以通过采用基于点云自动拼接的数据采集方法对三维物体进行点云数据的采集，在采集过程中，可以使用多个测站扫描并将各测站数据拼接到一起得到点云数据，通过迭代优化坐标变换参数的方法实现不同角度点云的精确配准。
作为本申请优选的一种实施方式，所采集的点云数据可以进一步进行处理，包括：通过旋转点云进行数据增加，或者通过使得点云中的点坐标在其周围进行震荡，以增强点云数据。
另外，还可以进行点云中的点的随机删除，具体实现方法可以是按照预先设置好的最高随机概率，随机生成或得到一个随机概率，然后按照这个随机概率进行点云中的点的删除。经过实验发现，通过上述数据增强方法，可以增强卷积神经网络学习的泛化能力，进而提高测试集(训练时没有用到的点云数据)上的测试的准确率。
另外，在步骤S102进行卷积神经网络的参数输入时，还可以进一步包括：对搜集到的三维点云根据类别先进行人工分类、筛选等过程，完成前期的数据准备工作。可以将分类后的类别中的第一部分点云数据中对卷积神经网络的卷积核进行训练，得到训练完成的卷积神经网络；将分类后的类别中的第二部分点云数据作为验证数据，评估所述卷积神经网络。比如，根据数据整理流程，对每一个类别的三维点云选取该类数量90％的图片作为包括参数化卷积核的卷积神经网络训练时的训练数据，同时将剩下的10％数据保留作为实验的验证数据，用于后期对模型识别准确率和泛化能力的评估。
在步骤S102中，将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；
本申请所述卷积神经网络，可用于图或者流形等能够转化为点云或者点云上的特征的数据。
具体的，所述训练完成的卷积神经网络，其中的参数由阶梯函数的取值和泰勒展开中的系数组成，并且定义参数化卷积核包括半径的阶梯函数与三阶泰勒展开的乘积，或者由半径的阶梯函数与三阶泰勒展开的乘积组成。使用半径阶梯函数有利于梯度下降算法的优化，并可以粗略地学习点云中的几何结构特征；三阶泰勒展开可以保证参数化卷积核的复杂度，有利于学习精细的、复杂的几何结构特征。
其中，本申请将滤波器参数化的蛛卷积可以避免复杂的采样和数据结构转换，可以有效地学习点云的局部几何特征，参数化卷积核的示意图如图2所示：
如图2的所示，传统的深度神经网络是作用于图像等欧式空间，便于处理规则格点上的信号。而如图3所示的点云数据是非规则格点上的信号，无法用传统的深度神经网络来处理，而本申请提出的滤波器参数化的蛛卷积神经网络可以直接处理分布在点云这类非规则格点上的信号，进而进行局部几何特征的学习。
若P表示点云的集合，将点云上的信号F看作点云集合P上的一个函数，假设g是定义在三维空间上的一个函数，则以g为卷积核的单通道蛛卷积的输出是点云集合P上的一个函数，记为G。定义函数G在点云中集合中的一点p的值为F(q)*g(p-q)的和，其中：q表示点p的邻域中的一点。邻域可用K近邻方式表示，也可以确定p为中心，在预定的固定半径范围内的球体内。
在参数化卷积中使用的蛛卷积核，输入是邻域中的一点的坐标，用于x,y,z三个实数表示，输出是半径阶梯函数乘以三阶关于输入点的坐标，即x,y,z的泰勒展开；其中半径阶梯函数是关于一个实数变量r的阶梯函数，这里r表示三维坐标系里的一个以原点为起点、(x,y,z)作为终点的向量长度。
可以通过构造K近邻表，令X(p)为1*K矩阵，并且q点属于p点的K近邻点，按照距离远近排序。令w为K*1的参数矩阵，则信号F与半径阶梯函数在p点处的卷积值为Xw。
定义输入通道数量为c、泰勒数量为b，蛛卷积层可以按如下公式确定：
其中是求和符号，表示将公式中带脚标υ的项求和，表示公式中带脚标j的项求和，表示公式中带脚标t的项求和；qj表示p点的第j个K近邻点，Fυ(qj)表示第υ个输入通道信号在qj点的值，表示半径阶梯函数中的参数，表示三阶的泰勒公式。
在步骤S103中，根据所述卷积神经网络的计算结果，提取所述点云数据的特征。
通过将数学中的卷积积分公式依据点云采样离散化，并且将卷积中的滤波器参数化，因此定义的参数化卷积核能够直接作用于点云数据，将传统的卷积神经网络可以处理的对象，从规则格点上的信号，拓展到空间中分布不均匀点集的信号。
另外，本申请还可以对提取了点云数据的特征后，进一步进行处理：
在经过多层蛛卷积神经网络(使用蛛卷积核的卷积神经网络)的运算后，可以使用最大k池化操作来提取点云的几何特征，用于后续的分类分割或配准等任务。假设经过多层的蛛卷积神经网络后得到的特征是n*m维的向量，n表示点云中输入的点的个数，m表示每个点特征的维数，最大k池化操作指在n个点第i维特征中，取最大的k个值，由此最后得到k*m维点云的全局特征向量。
当所述蛛卷积层为3层时，如图4所示，输出通道为32，64，128的蛛卷积层，每个蛛卷积层后都加入了非线性激活函数(ReLU)，以及批标准化层(BN)。这里蛛卷积层的输入通道的数目等于上一层蛛卷积(使用蛛卷积核的卷积神经网络)的输出通道，第一层蛛卷积的输入通道数是输入的点云上的信号的维数。例如，如果输入的是点云的坐标和法线，则维数等于6。可以将每层蛛卷积的输出特征并起来，做最大k池化，最后通过全连接层。全连接层的最后一层的输出维度等于分类任务中类别的数量。可以将全连接层的输出用归一化指数函数转化为0到1间的概率，表示输入点云属于某一类别的概率。另外，还可以使用交叉熵函数作为损失函数，使用反向传播算法进行模型的训练和优化。
当所述卷积核层为4层或4层以上时，如图5所示，该分割网络采用了32，64，128，256的蛛卷积层，每个蛛卷积层后都加入了非线性激活函数(ReLU)，以及批标准化层(BN)。将每层蛛卷积的输出特征并起来，得到每点的局部特征，对局部特征做最大k池化，得到全局特征，然后将点云的全局特征和物体类别信息也作为点云的局部特征，并在之前已经提取出来的点云局部特征后面，形成更高维的点云局部特征。然后通过多层感知器和归一化指数函数处理后得到的物体分割部位预测概率进行分割预测。如图6为根据图5所示的4层蛛卷积神经网络对目标物体进行分割的效果示意图，所述目标物体分别为飞机、耳机、台灯和吊灯，从图6(a)中可以看，蛛卷积神经网络可以把飞机的机翼，机身，机尾分割开，从图6(b)可以看到我们的网络可以把耳机的耳机架和耳塞分割开，从图6(c)可以看到我们的网络可以把台灯的灯罩，灯体，底座分割开，从图6(d)可以看到我们的网络可以把吊灯的灯体，灯架，灯泡分割开。
本申请通过运用K-近邻排序近似计算参数化卷积核中的半径阶梯函数，提高了运算速度，和模型对不均匀分布点云的鲁棒性。定义了多通道蛛卷积，采用部分参数共享，通道融合，特征融合的策略，提升了模型的效果。采用了top-k pooling(最大k池化)操作来提取特征。
通过设计适用于三维点云分类与分割的蛛卷积神经网络结构。调整蛛卷积神经网络的网络参数，包含但不限于(学习率、批量大小)，采取不同的学习策略，促使蛛卷积神经网络向最佳的网络模型优化方向收敛；最后利用训练得到的网络模型对验证数据完成测试，实现点云的分类和分割。并且，本申请设计的蛛卷积是神经网络中的一个模块，作用是可以直接从分布在点云上的信号中提取特征，因此可以结合神经网络中的其他模块使用。可以改变蛛卷积的输入输出通道数目，以及改变输出通道的组合方式，以在不同的任务中取得最优效果。可以使用蛛卷积设计各种不同的神经网络结构。
另外，经过实验验证，本申请所述面向点云的特征提取方法在在大规模点云数据上(ModelNet40以及ShapeNet Part)测试分类分割任务，和目前国际上的先进方法对比，在分类任务上达到了92.4％的准确率，高于可以其他可以直接处理点云的神经网络1％，在分割任务上交并比为85.3。
图7为本申请实施例提供的基于蛛卷积神经网络应用于场景分割的示意图，所述场景分割可以用于无人驾驶、智能机器人等场景分割任务，所述场景分割方法具体详述如下：
在步骤S701中，通过深度摄像机采集所需场景的点云数据，并对场景点云数据中的物体类别进行标注。
在步骤S702中，利用蛛卷积神经网络提取点云的局部特征，并利用局部特征进行像素级分类训练，即：场景分割的训练。
在步骤S703中，在实际使用时，利用深度摄像机采集实际场景的点云数据，然后利用训练好的蛛卷积神经网络提取点云的局部特征，并进行场景分割。
在步骤S704中，将场景点云中的分割结果(即场景中不同物体的分类结果)返回给无人车(或智能机器人)，便于其进行进一步的动作。
通过本申请所述卷积神经网络，可以直接用于对采集的点云进行训练和识别，减轻系统负担，提高图像处理的效率。
图8为本申请提供的蛛卷积神经网络用于三维场景重建场景的示意图，可以完成无人机的三维机场重建任务，具体包括：
在步骤S801中，通过安装到无人机上的深度摄像机来对拍摄到的地形进行扫描，经过采样处理得到三维点云数据。
在步骤S802中，使用蛛卷积神经网络提取点云的局部特征，并对特征进行编码处理。
在步骤S803中，对编码的数据使用训练后的逆向蛛卷积进行解码，根据点云的局部特征估计点云的全局特征，根据全局特征对点云进行调整，得到重建后的三维场景点云数据。
在步骤S804中，使用点云数据估计模型的法线信息、并添加纹理信息，得到三维场景模型。
通过蛛卷积神经网络，可用于对点云数据直接进行处理，提取到图像特征进行编码，并通过逆向蛛卷积解码，根据点云的局部特征估计点云的全局特征，进行相应的调整后即可生成三维场景的点云数据，从而进一步得到重建的三维场景模型。
图9为本申请实施例提供的蛛卷积神经网络用于点云配准的应用示意图，比如应用在物体检索，包括从数据库中查找被检索模型类别，主要包括如下步骤：
在步骤S901中，获取被查询物体的三维点云数据；
在步骤S902中，通过蛛卷积神经网络提取被检索物体与数据库模型的三维点云特征；
在步骤S903中，将被检索物体与数据库模型所计算出的特征通过全局以及局部配准方法进行计算，获取最匹配的模型。
通过直接对点云数据提取特征，进行特征的比对，即可快速有效的完成对物体的检索。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图10为本申请实施例提供的面向点云的特征提取装置的结构示意图，详述如下：
本申请所述面向点云的特征提取装置，包括：
点云数据采集单元1001，用于获取点云数据；
输入单元1002，用于将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；
特征提取单元1003，用于根据所述卷积神经网络的计算结果，提取所述点云数据的特征。
优选的，所述输入单元用于：
将所述点云数据输入包括有多层卷积层的卷积神经网络，所述多层卷积层分别对应不同数量的参数化卷积核；
所述特征提取单元用于：
将多层提取的局部特征进行并联，通过最大K池化方法从并联的局部特征中提取全局特征。
优选的，所述装置还包括：
类别预测单元，用于通过多层感知器和/或归一化指数函数处理所提取的点云数据的特征，得到点云数据所对应的类别预测概率。
所述面向点云的特征提取装置，与图1所述的面向点云的特征提取方法对应。
图11是本申请一实施例提供的面向点云的特征提取设备的示意图。如图11所示，该实施例的面向点云的特征提取设备11包括：处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112，例如面向点云的特征提取程序。所述处理器110执行所述计算机程序112时实现上述各个面向点云的特征提取方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能，例如图10所示模块1001至1003的功能。
示例性的，所述计算机程序112可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器111中，并由所述处理器110执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序112在所述面向点云的特征提取设备11中的执行过程。例如，所述计算机程序112可以被分割成点云数据采集单元、输入单元和特征提取单元，各单元具体功能如下：
点云数据采集单元，用于获取点云数据；
输入单元，用于将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；
特征提取单元，用于根据所述卷积神经网络的计算结果，提取所述点云数据的特征。
所述面向点云的特征提取设备11可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述面向点云的特征提取设备可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图11仅仅是面向点云的特征提取设备11的示例，并不构成对面向点云的特征提取设备11的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述面向点云的特征提取设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器111可以是所述面向点云的特征提取设备11的内部存储单元，例如面向点云的特征提取设备11的硬盘或内存。所述存储器111也可以是所述面向点云的特征提取设备11的外部存储设备，例如所述面向点云的特征提取设备11上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器111还可以既包括所述面向点云的特征提取设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述面向点云的特征提取设备所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (12)
1.一种面向点云的特征提取方法，其特征在于，所述方法包括：
获取点云数据；
将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；
根据所述卷积神经网络的计算结果，提取所述点云数据的特征。
2.根据权利要求1所述的面向点云的特征提取方法，其特征在于，所述将所述点云数据输入预先训练完成的卷积神经网络的步骤包括：
将所述点云数据输入包括有多层卷积层的卷积神经网络，所述多层卷积层分别对应不同数量的参数化卷积核；
所述根据所述卷积神经网络的计算结果，提取所述点云数据的特征的步骤包括：
将多层提取的局部特征进行并联，通过最大K池化方法从并联的局部特征中提取全局特征。
3.根据权利要求1或2所述的面向点云的特征提取方法，其特征在于，在所述根据所述卷积神经网络的计算结果，提取所述点云数据的特征的步骤之后，所述方法还包括：
通过多层感知器和/或归一化指数函数处理所提取的点云数据的特征，得到点云数据所对应的类别预测概率。
4.根据权利要求1所述的面向点云的特征提取方法，其特征在于，在所述将所述点云数据输入预先训练完成的卷积神经网络的步骤之前，所述方法还包括：
通过K-近邻排序计算所述参数化卷积核中的半径阶梯函数。
5.根据权利要求1所述的面向点云的特征提取方法，其特征在于，所述方法还包括：
采集物体点云数据，对采集的点云数据进行标注分类；
将分类后的类别中的第一部分点云数据中对卷积神经网络的卷积核进行训练，得到训练完成的卷积神经网络；
将分类后的类别中的第二部分点云数据作为验证数据，评估所述卷积神经网络。
6.根据权利要求1所述的面向点云的特征提取方法，其特征在于，在所述将所述点云数据输入预先训练完成的卷积神经网络的步骤之前，所述方法还包括：
通过旋转点云，和/或使点云的点坐标在所述点周围的预定范围内震荡，对点云数据进行增强；
和/或，对点云中的点进行随机删除。
7.根据权利要求6所述的面向点云的特征提取方法，其特征在于，所述对点云中的点进行随机删除的步骤包括：
根据预先设定的最大随机概率，随机生成随机概率；
根据生成的随机概率对点云中的点进行删除。
8.一种面向点云的特征提取装置，其特征在于，所述装置包括：
点云数据采集单元，用于获取点云数据；
输入单元，用于将所述点云数据输入预先训练完成的卷积神经网络，所述卷积神经网络的卷积核为参数化卷积核，所述参数化卷积核包括半径的阶梯函数与输入点的三阶泰勒展开的乘积，所述半径为以原点为起点，输入点为终点的向量的长度，所述输入点为所述半径范围内的三维的点云数据中的点；
特征提取单元，用于根据所述卷积神经网络的计算结果，提取所述点云数据的特征。
9.根据权利要求8所述的面向点云的特征提取装置，其特征在于，所述输入单元用于：
将所述点云数据输入包括有多层卷积层的卷积神经网络，所述多层卷积层分别对应不同数量的参数化卷积核；
所述特征提取单元用于：
将多层提取的局部特征进行并联，通过最大K池化方法从并联的局部特征中提取全局特征。
10.根据权利要求8或9所述的面向点云的特征提取装置，其特征在于，所述装置还包括：
类别预测单元，用于通过多层感知器和/或归一化指数函数处理所提取的点云数据的特征，得到点云数据所对应的类别预测概率。
11.一种面向点云的特征提取设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述面向点云的特征提取方法的步骤。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述面向点云的特征提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810271498.3A CN110321910B (zh) | 2018-03-29 | 2018-03-29 | 面向点云的特征提取方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810271498.3A CN110321910B (zh) | 2018-03-29 | 2018-03-29 | 面向点云的特征提取方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110321910A true CN110321910A (zh) | 2019-10-11 |
| CN110321910B CN110321910B (zh) | 2021-05-28 |
Family
ID=68110882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810271498.3A Active CN110321910B (zh) | 2018-03-29 | 2018-03-29 | 面向点云的特征提取方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321910B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889894A (zh) * | 2019-10-25 | 2020-03-17 | 中国科学院深圳先进技术研究院 | 三维人脸重建方法、装置及终端设备 |
| CN110942110A (zh) * | 2019-12-31 | 2020-03-31 | 新奥数能科技有限公司 | 一种三维模型的特征提取方法和装置 |
| CN110969689A (zh) * | 2019-12-03 | 2020-04-07 | 上海眼控科技股份有限公司 | 点云特征提取方法、装置、计算机设备和存储介质 |
| CN111028327A (zh) * | 2019-12-10 | 2020-04-17 | 深圳先进技术研究院 | 一种三维点云的处理方法、装置及设备 |
| CN111144304A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆目标检测模型的生成方法、车辆目标检测方法及装置 |
| CN111325757A (zh) * | 2020-02-18 | 2020-06-23 | 西北工业大学 | 一种基于贝叶斯神经网络的点云识别与分割方法 |
| CN111414953A (zh) * | 2020-03-17 | 2020-07-14 | 集美大学 | 点云分类方法和装置 |
| CN111428855A (zh) * | 2020-02-25 | 2020-07-17 | 北京理工大学 | 一种端到端的点云深度学习网络模型和训练方法 |
| CN111429563A (zh) * | 2020-03-10 | 2020-07-17 | 山东大学 | 基于深度学习的管道三维重建方法、系统、介质及设备 |
| CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
| CN111768493A (zh) * | 2020-06-22 | 2020-10-13 | 浙江大学 | 一种基于分布参数编码的点云处理方法 |
| CN112101229A (zh) * | 2020-09-16 | 2020-12-18 | 云南师范大学 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
| CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
| CN112435193A (zh) * | 2020-11-30 | 2021-03-02 | 中国科学院深圳先进技术研究院 | 一种点云数据去噪的方法、装置、存储介质和电子设备 |
| CN112633330A (zh) * | 2020-12-06 | 2021-04-09 | 西安电子科技大学 | 点云分割方法、系统、介质、计算机设备、终端及应用 |
| CN112766491A (zh) * | 2021-01-18 | 2021-05-07 | 电子科技大学 | 一种基于泰勒展开及数据驱动的神经网络压缩方法 |
| CN112785494A (zh) * | 2021-01-26 | 2021-05-11 | 网易（杭州）网络有限公司 | 一种三维模型构建方法、装置、电子设备和存储介质 |
| CN112990010A (zh) * | 2021-03-15 | 2021-06-18 | 深圳大学 | 点云数据处理方法、装置、计算机设备和存储介质 |
| CN114266279A (zh) * | 2021-12-29 | 2022-04-01 | 北京大学深圳研究生院 | 一种基于复数网络表达的点云特征提取方法及装置 |
| US11875424B2 (en) | 2021-03-15 | 2024-01-16 | Shenzhen University | Point cloud data processing method and device, computer device, and storage medium |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
| US20160343165A1 (en) * | 2015-05-21 | 2016-11-24 | Maxst Co., Ltd. | Method for displaying augmented reality content based on 3d point cloud recognition, and apparatus and system for executing the method |
| CN106548484A (zh) * | 2016-10-27 | 2017-03-29 | 济宁学院 | 基于二维凸包的产品模型散乱点云边界特征提取方法 |
| CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
| CN107092859A (zh) * | 2017-03-14 | 2017-08-25 | 佛山科学技术学院 | 一种三维模型的深度特征提取方法 |
| CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
-
2018
- 2018-03-29 CN CN201810271498.3A patent/CN110321910B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101877128A (zh) * | 2009-12-23 | 2010-11-03 | 中国科学院自动化研究所 | 一种三维场景中不同物体的分割方法 |
| US20160343165A1 (en) * | 2015-05-21 | 2016-11-24 | Maxst Co., Ltd. | Method for displaying augmented reality content based on 3d point cloud recognition, and apparatus and system for executing the method |
| CN106548484A (zh) * | 2016-10-27 | 2017-03-29 | 济宁学院 | 基于二维凸包的产品模型散乱点云边界特征提取方法 |
| CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
| CN107092859A (zh) * | 2017-03-14 | 2017-08-25 | 佛山科学技术学院 | 一种三维模型的深度特征提取方法 |
| CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| USAMA SHAFIQ ET AL: "More for less: Insights into convolutional nets for 3D point cloud recognition", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
| 刘阳: "三维点云场景中对象识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889894A (zh) * | 2019-10-25 | 2020-03-17 | 中国科学院深圳先进技术研究院 | 三维人脸重建方法、装置及终端设备 |
| CN110969689A (zh) * | 2019-12-03 | 2020-04-07 | 上海眼控科技股份有限公司 | 点云特征提取方法、装置、计算机设备和存储介质 |
| CN111028327A (zh) * | 2019-12-10 | 2020-04-17 | 深圳先进技术研究院 | 一种三维点云的处理方法、装置及设备 |
| CN111028327B (zh) * | 2019-12-10 | 2023-05-02 | 深圳先进技术研究院 | 一种三维点云的处理方法、装置及设备 |
| CN111144304A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆目标检测模型的生成方法、车辆目标检测方法及装置 |
| CN110942110A (zh) * | 2019-12-31 | 2020-03-31 | 新奥数能科技有限公司 | 一种三维模型的特征提取方法和装置 |
| CN111325757B (zh) * | 2020-02-18 | 2022-12-23 | 西北工业大学 | 一种基于贝叶斯神经网络的点云识别与分割方法 |
| CN111325757A (zh) * | 2020-02-18 | 2020-06-23 | 西北工业大学 | 一种基于贝叶斯神经网络的点云识别与分割方法 |
| CN111428855B (zh) * | 2020-02-25 | 2023-11-14 | 北京理工大学 | 一种端到端的点云深度学习网络模型和训练方法 |
| CN111428855A (zh) * | 2020-02-25 | 2020-07-17 | 北京理工大学 | 一种端到端的点云深度学习网络模型和训练方法 |
| CN111429563A (zh) * | 2020-03-10 | 2020-07-17 | 山东大学 | 基于深度学习的管道三维重建方法、系统、介质及设备 |
| CN111429563B (zh) * | 2020-03-10 | 2021-08-13 | 山东大学 | 基于深度学习的管道三维重建方法、系统、介质及设备 |
| CN111414953A (zh) * | 2020-03-17 | 2020-07-14 | 集美大学 | 点云分类方法和装置 |
| CN111414953B (zh) * | 2020-03-17 | 2023-04-18 | 集美大学 | 点云分类方法和装置 |
| CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
| CN111626217B (zh) * | 2020-05-28 | 2023-08-22 | 宁波博登智能科技有限公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
| CN111768493A (zh) * | 2020-06-22 | 2020-10-13 | 浙江大学 | 一种基于分布参数编码的点云处理方法 |
| CN112101229B (zh) * | 2020-09-16 | 2023-02-24 | 云南师范大学 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
| CN112101229A (zh) * | 2020-09-16 | 2020-12-18 | 云南师范大学 | 点云数据特征点提取方法、装置、计算机设备及存储介质 |
| CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
| CN112435193B (zh) * | 2020-11-30 | 2024-05-24 | 中国科学院深圳先进技术研究院 | 一种点云数据去噪的方法、装置、存储介质和电子设备 |
| CN112435193A (zh) * | 2020-11-30 | 2021-03-02 | 中国科学院深圳先进技术研究院 | 一种点云数据去噪的方法、装置、存储介质和电子设备 |
| CN112633330B (zh) * | 2020-12-06 | 2024-02-02 | 西安电子科技大学 | 点云分割方法、系统、介质、计算机设备、终端及应用 |
| CN112633330A (zh) * | 2020-12-06 | 2021-04-09 | 西安电子科技大学 | 点云分割方法、系统、介质、计算机设备、终端及应用 |
| CN112766491A (zh) * | 2021-01-18 | 2021-05-07 | 电子科技大学 | 一种基于泰勒展开及数据驱动的神经网络压缩方法 |
| CN112785494A (zh) * | 2021-01-26 | 2021-05-11 | 网易（杭州）网络有限公司 | 一种三维模型构建方法、装置、电子设备和存储介质 |
| CN112785494B (zh) * | 2021-01-26 | 2023-06-16 | 网易（杭州）网络有限公司 | 一种三维模型构建方法、装置、电子设备和存储介质 |
| CN112990010B (zh) * | 2021-03-15 | 2023-08-18 | 深圳大学 | 点云数据处理方法、装置、计算机设备和存储介质 |
| WO2022193335A1 (zh) * | 2021-03-15 | 2022-09-22 | 深圳大学 | 点云数据处理方法、装置、计算机设备和存储介质 |
| US11875424B2 (en) | 2021-03-15 | 2024-01-16 | Shenzhen University | Point cloud data processing method and device, computer device, and storage medium |
| CN112990010A (zh) * | 2021-03-15 | 2021-06-18 | 深圳大学 | 点云数据处理方法、装置、计算机设备和存储介质 |
| CN114266279A (zh) * | 2021-12-29 | 2022-04-01 | 北京大学深圳研究生院 | 一种基于复数网络表达的点云特征提取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110321910B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321910A (zh) | 面向点云的特征提取方法、装置及设备 | |
| Xie et al. | Point clouds learning with attention-based graph convolution networks | |
| CN110020620A (zh) | 一种大姿态下的人脸识别方法、装置及设备 | |
| CN104933417A (zh) | 一种基于稀疏时空特征的行为识别方法 | |
| CN109902583B (zh) | 一种基于双向独立循环神经网络的骨架手势识别方法 | |
| CN110222718B (zh) | 图像处理的方法及装置 | |
| CN111488805B (zh) | 一种基于显著性特征提取的视频行为识别方法 | |
| CN117157678A (zh) | 用于基于图的全景分割的方法和系统 | |
| CN113011568B (zh) | 一种模型的训练方法、数据处理方法及设备 | |
| CN112949647A (zh) | 三维场景描述方法、装置、电子设备和存储介质 | |
| Cheng et al. | Cascaded non-local neural network for point cloud semantic segmentation | |
| CN110321761A (zh) | 一种行为识别方法、终端设备及计算机可读存储介质 | |
| CN114926734B (zh) | 基于特征聚合和注意融合的固体废弃物检测装置及方法 | |
| Kakillioglu et al. | 3D capsule networks for object classification with weight pruning | |
| Ahmad et al. | 3D capsule networks for object classification from 3D model data | |
| CN113870160A (zh) | 一种基于变换器神经网络的点云数据处理方法 | |
| CN112529068A (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
| CN116385902A (zh) | 一种遥感大数据处理方法、系统及云平台 | |
| CN115374304A (zh) | 数据处理方法、电子设备、存储介质及计算机程序产品 | |
| Liu et al. | Student behavior recognition from heterogeneous view perception in class based on 3-D multiscale residual dense network for the analysis of case teaching | |
| Zhou et al. | MSDCNN: A multiscale dilated convolution neural network for fine-grained 3D shape classification | |
| CN117872127A (zh) | 一种电机故障诊断方法及设备 | |
| Sang et al. | Image recognition based on multiscale pooling deep convolution neural networks | |
| CN113568983B (zh) | 场景图生成方法、装置、计算机可读介质及电子设备 | |
| CN109461162A (zh) | 图像中目标分割的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |