CN110827398A - 基于深度神经网络的室内三维点云自动语义分割算法 - Google Patents
基于深度神经网络的室内三维点云自动语义分割算法 Download PDFInfo
- Publication number
- CN110827398A CN110827398A CN201911066498.0A CN201911066498A CN110827398A CN 110827398 A CN110827398 A CN 110827398A CN 201911066498 A CN201911066498 A CN 201911066498A CN 110827398 A CN110827398 A CN 110827398A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- indoor
- neural network
- deep neural
- layer
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 74
- 238000011176 pooling Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000052 comparative effect Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 241000350052 Daniellia ogea Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于深度神经网络的室内三维点云自动语义分割算法,包括以下步骤:步骤一、构建深度神经网络,深度神经网络包括局部特征提取单元、全局特征提取单元、处理单元,局部特征提取单元包括第一卷积层、与第一卷积层连接的第一池化层,全局特征提取单元包括与第一卷积层连接的第二卷积层、与第二卷积层连接的第二池化层,处理单元与第一池化层、第二池化层连接;步骤二、获取待处理室内场景点云数据,并基于待处理室内场景点云数据建立室内三维点云数据集,将室内三维点云数据集输入深度神经网络,获取局部特征和全局特征,融合并输出,得到语义分割点云。本发明可有效增加深度神经网络对局部特征的学习提取能力,提高分割精度。
Description
技术领域
本发明涉及室内三维点云语义分割算法领域。更具体地说,本发明涉及一种基于深度神经网络的室内三维点云自动语义分割算法。
背景技术
三维激光扫描技术以其快速、低成本、高精度获取海量点云数据的优势,正逐步成为三维室内场景理解中三维数据采集的重要方式。而点云的语义分割作为三维室内场景语义理解的基础,已成为室内三维建模、室内导航、计算机视觉、机器人模式识别等多领域的研究热点。传统三维点云分割方法经历了较长时间的发展,出现了大量的经典分割算法,如基于边界的分割方法,基于面的点云分割方法,基于聚类的点云分割方法,基于机器学习的点云分割方法,虽然经过大量学者的研究改进,传统点云分割方法不断进步。但传统点云分割方法需要手工设计特征描述子,这要求设计者具有丰富的先验知识,在点云分割过程中传统分割方法需要设定大量的阈值,十分繁琐,且设计的特征描述子只对特定的任务分割效果较好,对其他任务的泛化能力较差。为了提高点云分割的自动化与智能化程度,基于深度学习(Deep Learning)的点云分割方法正在成为最新的研究热点。深度学习是一种可以通过深层网络结构自动提取输入数据高级特征的新兴技术,当前基于深度学习的点云分割方法中直接以点为输入的深度神经网络,斯坦福大学Charles团队提出了PointNet 网络,该网络利用多层感知器(MLP)提取点云间全局特征,并使用最大值对称函数解决点云的无序问题,取得了不错的分割精度,但是该网络只注重了点云间的全局特征,忽略了局部特征,对场景的细节分割精度较差。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于深度神经网络的室内三维点云自动语义分割算法,其可有效增加深度神经网络对局部特征的学习提取能力,提高分割精度。
为了实现根据本发明的这些目的和其它优点,提供了一种基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,包括以下步骤:
步骤一、构建深度神经网络,深度神经网络包括局部特征提取单元、全局特征提取单元、处理单元,局部特征提取单元用于提取点云的局部特征,其包括第一卷积层、与第一卷积层连接的第一池化层,全局特征提取单元用于提取点云的全局特征,其包括与第一卷积层连接的第二卷积层、与第二卷积层连接的第二池化层,处理单元与第一池化层、第二池化层连接,所述处理单元用于将局部特征与全局特征融合并输出,其中,第一卷积层、第二卷积层均包括至少两层MLP层;
步骤二、获取待处理室内场景点云数据,并基于待处理室内场景点云数据建立室内三维点云数据集,将室内三维点云数据集输入深度神经网络,获取局部特征和全局特征,融合并输出,得到语义分割点云。
优选的是,第一卷积层、第二卷积层均包括四层MLP层。
优选的是,每层MLP层卷积核均为3×3。
优选的是,待处理室内场景点云数据的获取方法:先获取待处理室内场景图像,然后使用Faro Focus3D X130扫描仪扫描待处理室内场景图像,得到待处理室内场景点云数据。
优选的是,室内三维点云数据集的建立方法:将待处理室内场景点云数据依次进行配准、去噪、抽稀处理,得到室内三维点云数据集。
优选的是,深度神经网络还包括转换网络层,其与第一卷积层连接,用于使室内三维点云数据转换为具有刚体变换不变性的点云。
优选的是,所述处理单元包括与所述第一池化层、第二池化层连接的特征融合层,所述特征融合层用于将局部特征和全局特征进行融合得到融合特征,所述特征融合层连接有第三卷积层,所述第三卷积层连接有下采样层,所述下采样层用于将经第三卷积层处理后的融合特征进行下采样并输出,得到语义分割点云。
本发明至少包括以下有益效果:
第一、本发明在局部特征提取时增加了第一池化层以及特征融合层,增加了深度神经网络对局部特征的学习提取能力,提高分割精度,本发明的深度神经网络对墙、门等建筑元素分割精度可达80%以上,所有建筑元素平均分割精度可达66%。
第二、本发明的室内三维点云数据集包含反射强度信息,增加发射强度信息可有效提高语义分割精度。
第三、本发明的深度神经网络中的MLP层采用3×3卷积核,可有效提高分割精度。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明其中一个技术方案所述的深度神经网络的结构示意图;
图2为本发明其中一个技术方案所述的原神经网络的结构示意图;
图3为本发明其中一个技术方案所述的S3DIS点云数据集的点云数据;
图4为本发明其中一个技术方案所述的S3DIS点云数据集经本发明(图1)深度神经网络语义分割后的点云;
图5为本发明其中一个技术方案所述的室内三维点云数据集的点云数据;
图6为本发明其中一个技术方案所述的室内三维点云数据集经本发明实施例2中的深度神经网络语义分割后的点云;
图7为本发明其中一个技术方案所述的包含反射强度信息的室内三维点云数据集经神经网络(实施例2)语义分割后的点云;
图8为本发明其中一个技术方案所述的不包含反射强度信息的室内三维点云数据集经神经网络(实施例2)语义分割后的点云;
图9为本发明其中一个技术方案所述的获取待处理室内场景点云数据的场景图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
<实施例1>
一种基于深度神经网络的室内三维点云自动语义分割算法,包括以下步骤:
步骤一、如图1所示,构建深度神经网络,深度神经网络包括局部特征提取单元、全局特征提取单元、处理单元,局部特征提取单元用于提取点云的局部特征,其包括第一卷积层1、与第一卷积层1连接的第一池化层2,全局特征提取单元用于提取点云的全局特征,其包括与第一卷积层1连接的第二卷积层3、与第二卷积层3连接的第二池化层4,处理单元与第一池化层2、第二池化层4连接,所述处理单元用于将局部特征与全局特征融合并输出,其中,第一卷积层1、第二卷积层3均包括两层MLP层,第一卷积层1、第二卷积层3均包括两层依次连接的MLP层,每层MLP层卷积核均为3×3;深度神经网络还包括转换网络层8,其与第一卷积层1连接,用于使室内三维点云数据转换为具有刚体变换不变性的点云;
步骤二、获取待处理室内场景点云数据(室内场景选自于北京建筑大学中的一栋教学楼室内场景),并基于待处理室内场景点云数据建立室内三维点云数据集,将室内三维点云数据集输入深度神经网络,获取局部特征和全局特征,融合并输出,得到语义分割点云;
待处理室内场景点云数据的获取方法:先获取待处理室内场景图像(获取教学楼内的场景图像),然后使用Matterpaort处理室内场景图像,得到待处理室内场景点云数据(不包含反射强度信息)。
<实施例2>
一种基于深度神经网络的室内三维点云自动语义分割算法,包括以下步骤:
步骤一、如图1所示,构建深度神经网络,深度神经网络包括局部特征提取单元、全局特征提取单元、处理单元,局部特征提取单元用于提取点云的局部特征,其包括第一卷积层1、与第一卷积层1连接的第一池化层2,全局特征提取单元用于提取点云的全局特征,其包括与第一卷积层1连接的第二卷积层3、与第二卷积层3连接的第二池化层4,处理单元与第一池化层2、第二池化层4连接,所述处理单元用于将局部特征与全局特征融合并输出,其中,第一卷积层1、第二卷积层3均包括至少两层MLP层,第一卷积层1、第二卷积层3均包括四层依次连接的MLP层,每层MLP层卷积核均为3×3;深度神经网络还包括转换网络层8,其与第一卷积层1连接,用于使室内三维点云数据转换为具有刚体变换不变性的点云;
步骤二、获取待处理室内场景点云数据(室内场景选自于北京建筑大学中的一栋教学楼室内场景),并基于待处理室内场景点云数据建立室内三维点云数据集(如图9所示,图9中由上至下依次表示主要场景照片、数据集场景中的走廊点云、数据集场景中的房间内点云),将室内三维点云数据集输入深度神经网络,获取局部特征和全局特征,融合并输出,得到语义分割点云;
待处理室内场景点云数据的获取方法:先获取待处理室内场景图像(获取教学楼内的场景图像),然后使用Faro Focus3D X130扫描仪(扫描仪参数如表1所示)扫描待处理室内场景图像,得到待处理室内场景点云数据;
室内三维点云数据集的建立方法:将待处理室内场景点云数据依次进行配准(包括几何纠正、投影变换与统一比例尺三方面的处理)、去噪、抽稀处理,得到室内三维点云数据集;
所述处理单元包括与所述第一池化层2、第二池化层4连接的特征融合层5,所述特征融合层5用于将局部特征和全局特征进行融合得到融合特征,所述特征融合层5连接有第三卷积层6,所述第三卷积层6用于从融合特征中提取室内三维点云的第二深度特征,所述第三卷积层6连接有下采样层7,所述下采样层7用于将第二深度特征进行下采样并将下采样后的第二深度特征输出,得到语义分割点云;
其中,通过Faro Focus3D X130扫描仪扫描获取室内三维点云数据集包括 [X,Y,Z,R,G,B,X0,Y0,Z0,I],(X,Y,Z)表示原始点云的空间信息,(X0,Y0,Z0),表示将原始点云进行坐标归一化后的结果,(R,G,B)表示纹理信息,(I)表示反射强度特征信息,所创建的室内三维点云数据集包括4个建筑区域,即区域1、区域2、区域3、区域4,四个建筑区域形成整个室内三维场景;
特征的融合方式使用tensorflow框架中的Concat操作,Concat操作如公式(5)所示;
表1 Faro Focus3D X130扫描仪主要技术参数
<对比例1>
采用原神经网络处理室内三维点云数据,原神经网络包括依次连接的转换网络层8、第一卷积层1、转换网络层8、第二卷积层3、第一池化层2、特征融合层5、第三卷积层 6、下采样层7,如图2所示。
<对比例2>
基于实施例2中的深度神经网络,其中,不同的是:第一卷积层1、第二卷积层3中前两层MLP层的卷积核的大小改为1×1,剩余两层MLP层的卷积核为3×3。
<实验结果与分析>
1、实验条件
1.1采用本发明实施例2获取的室内三维点云数据集与S3DIS点云数据集进行实验,其中,在S3DIS点云数据集中使用Area1、Area2、Area3、Area4、Area6为训练集,Area5 为测试集,本发明实施例2获取的室内三维点云数据集中使用区域1、区域2、区域3为训练集,区域4为测试集;
1.2实验所使用的软硬件参数,如表3与表4所示;
表2 S3DIS点云数据集
表4实验所使用软件参数
2、实验结果
2.1采用本发明实施例2中的深度神经网络对S3DIS点云数据集Area5进行语义分割,如图3与图4所示,其中,图3为S3DIS点云数据集的点云数据,图4为S3DIS点云数据集经本发明深度神经网络语义分割后的结果;
2.2采用本发明实施例2中所构建的室内三维点云数据集区域4进行语义分割,如图5 与图6所示,其中,图5为室内三维点云数据集的点云数据,图6为室内三维点云数据集经本发明实施例2中的深度神经网络语义分割后的结果;
2.3采用本发明实施例2中的深度神经网络对包含反射强度信息的室内三维点云数据集、不包含反射强度信息的室内三维点云数据集分别进行语义分割,如图7与图8所示,其中,图7中为包含反射强度信息的室内三维点云数据集语义分割结果,图8为不包含室内三维点云数据集的分割结果,框体内为主要对比对象;
2.3精度评价
各个语义分类的交并比(Intersection over Union,IoU)、平均交并比(meanIntersection over Union,mIoU)和总体精度(overall accuracy,OA)是当前国内外在点云语义分割中常用的精度评定指标,其中,IoU是分割结果区域与真实标定值区域的交集与并集的比,其表示语义分割结果与真实值(Ground Truth)得重合率,mIoU为平均交并比,OA为分割正确的点占总点数的比例,IoU的计算公式见公式(2),其中TP、FP与FN分别表示正确分割,假正与假负。mIoU的计算公式见公式(3),OA的计算公式见公式(4),其中0 到K代表有K+1个种类,P表示每一个点,其中Pii表示正确的分割点数量,Pij表示本属于i类却被分割为j类,Pji表示本属于j类却被分割为i类。
2.3.1分别采用本发明实施例2中的深度神经网络与对比例1中的原神经网络计算S3DIS点云数据集Area5上各个类别的IoU与mIoU值,结果如表5所示;
表5 S3DIS点云数据集Area5各类别分割精度(IoU)
由表5可以看出除椅子的分割精度略低于对比例1中原神经网络处理的分割精度外,本发明的深度神经网络的分割精度均高于原神经网络的分割精度。
2.3.2采用对比例2中的深度神经网络对S3DIS点云数据集Area5进行实验,结果如表6所示;
表6不同卷积核的MLP层在S3DIS上的分割结果
由表6可以看出使用本发明实施例2的神经网络进行语义分割分割精度大于对比例2 的深度神经网络。
2.3.3采用本发明实施例2中的深度神经网络对包含反射强度信息的室内三维点云数据集、不包含反射强度信息的室内三维点云数据集进行语义分割,同时,采用对比例1中的原神经网络对包含反射强度信息的室内三维点云数据集、不包含反射强度信息的室内三维点云数据集进行语义分割,分割精度结果如表7所示,其中,网络模型A为对比例1 中的原神经网络,室内三维点云数据集中包括反射强度信息,网络模型B为对比例1中的原神经网络,室内三维点云数据集中不包括反射强度信息,网络模型C为本发明实施例2 中的深度神经网络,室内三维点云数据集中包括反射强度信息,网络模型D为本发明实施例2中的深度神经网络,室内三维点云数据集中不包括反射强度信息;
表7分割精度
由表7可以看出增加反射强度信息后,本发明的深度神经网络在室内建筑元素如天花板、地面、窗户、门、灯、宣传柜的分割精度均高于原神经网络,且相比于不包含反射强度信息,包含反射强度信息的室内三维点云数据集不管是采用原神经网络还是本发明的深度神经网络进行语义分割,分割精度均有所提高,只有对于展示板的分割精度不足45%。
本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (7)
1.基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,包括以下步骤:
步骤一、构建深度神经网络,深度神经网络包括局部特征提取单元、全局特征提取单元、处理单元,局部特征提取单元用于提取点云的局部特征,其包括第一卷积层、与第一卷积层连接的第一池化层,全局特征提取单元用于提取点云的全局特征,其包括与第一卷积层连接的第二卷积层、与第二卷积层连接的第二池化层,处理单元与第一池化层、第二池化层连接,所述处理单元用于将局部特征与全局特征融合并输出,其中,第一卷积层、第二卷积层均包括至少两层MLP层;
步骤二、获取待处理室内场景点云数据,并基于待处理室内场景点云数据建立室内三维点云数据集,将室内三维点云数据集输入深度神经网络,获取局部特征和全局特征,融合并输出,得到语义分割点云。
2.如权利要求1所述的基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,第一卷积层、第二卷积层均包括四层MLP层。
3.如权利要求2所述的基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,每层MLP层卷积核均为3×3。
4.如权利要求1所述的基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,待处理室内场景点云数据的获取方法:先获取待处理室内场景图像,然后使用FaroFocus3D X130扫描仪扫描待处理室内场景图像,得到待处理室内场景点云数据。
5.如权利要求4所述的基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,室内三维点云数据集的建立方法:将待处理室内场景点云数据依次进行配准、去噪、抽稀处理,得到室内三维点云数据集。
6.如权利要求1所述的基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,深度神经网络还包括转换网络层,其与第一卷积层连接,用于使室内三维点云数据转换为具有刚体变换不变性的点云。
7.如权利要求1所述的基于深度神经网络的室内三维点云自动语义分割算法,其特征在于,所述处理单元包括与所述第一池化层、第二池化层连接的特征融合层,所述特征融合层用于将局部特征和全局特征进行融合得到融合特征,所述特征融合层连接有第三卷积层,所述第三卷积层连接有下采样层,所述下采样层用于将经第三卷积层处理后的融合特征进行下采样并输出,得到语义分割点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066498.0A CN110827398B (zh) | 2019-11-04 | 2019-11-04 | 基于深度神经网络的室内三维点云自动语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066498.0A CN110827398B (zh) | 2019-11-04 | 2019-11-04 | 基于深度神经网络的室内三维点云自动语义分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827398A true CN110827398A (zh) | 2020-02-21 |
CN110827398B CN110827398B (zh) | 2023-12-26 |
Family
ID=69552617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911066498.0A Active CN110827398B (zh) | 2019-11-04 | 2019-11-04 | 基于深度神经网络的室内三维点云自动语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827398B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462137A (zh) * | 2020-04-02 | 2020-07-28 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于知识蒸馏和语义融合的点云场景分割方法 |
CN111489358A (zh) * | 2020-03-18 | 2020-08-04 | 华中科技大学 | 一种基于深度学习的三维点云语义分割方法 |
CN111583263A (zh) * | 2020-04-30 | 2020-08-25 | 北京工业大学 | 一种基于联合动态图卷积的点云分割方法 |
CN111832473A (zh) * | 2020-07-10 | 2020-10-27 | 星际空间(天津)科技发展有限公司 | 点云特征识别处理方法、装置、存储介质及电子设备 |
CN111932574A (zh) * | 2020-09-01 | 2020-11-13 | 重庆市勘测院 | 基于多层次语义特征的建筑立面点云提取系统及方法 |
CN112581515A (zh) * | 2020-11-13 | 2021-03-30 | 上海交通大学 | 基于图神经网络的户外场景点云配准方法 |
CN112818999A (zh) * | 2021-02-10 | 2021-05-18 | 桂林电子科技大学 | 一种基于卷积神经网络的复杂场景3d点云语义分割方法 |
CN112907602A (zh) * | 2021-01-28 | 2021-06-04 | 中北大学 | 一种基于改进k-近邻算法的三维场景点云分割方法 |
CN113781639A (zh) * | 2021-09-22 | 2021-12-10 | 交通运输部公路科学研究所 | 一种大场景道路基础设施数字化模型快速构建方法 |
CN115619963A (zh) * | 2022-11-14 | 2023-01-17 | 吉奥时空信息技术股份有限公司 | 一种基于内容感知的城市建筑物实体建模方法 |
US11703457B2 (en) | 2020-12-29 | 2023-07-18 | Industrial Technology Research Institute | Structure diagnosis system and structure diagnosis method |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190752A (zh) * | 2018-07-27 | 2019-01-11 | 国家新闻出版广电总局广播科学研究院 | 基于深度学习的全局特征和局部特征的图像语义分割方法 |
CN109410307A (zh) * | 2018-10-16 | 2019-03-01 | 大连理工大学 | 一种场景点云语义分割方法 |
CN109829399A (zh) * | 2019-01-18 | 2019-05-31 | 武汉大学 | 一种基于深度学习的车载道路场景点云自动分类方法 |
CN110322453A (zh) * | 2019-07-05 | 2019-10-11 | 西安电子科技大学 | 基于位置注意力和辅助网络的3d点云语义分割方法 |
-
2019
- 2019-11-04 CN CN201911066498.0A patent/CN110827398B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190752A (zh) * | 2018-07-27 | 2019-01-11 | 国家新闻出版广电总局广播科学研究院 | 基于深度学习的全局特征和局部特征的图像语义分割方法 |
CN109410307A (zh) * | 2018-10-16 | 2019-03-01 | 大连理工大学 | 一种场景点云语义分割方法 |
CN109829399A (zh) * | 2019-01-18 | 2019-05-31 | 武汉大学 | 一种基于深度学习的车载道路场景点云自动分类方法 |
CN110322453A (zh) * | 2019-07-05 | 2019-10-11 | 西安电子科技大学 | 基于位置注意力和辅助网络的3d点云语义分割方法 |
Non-Patent Citations (1)
Title |
---|
J. ZHAO 等: "Indoor 3d Point Clouds Semantic Segmentation Bases on Modified Pointnet Network", 《ISPRS INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489358B (zh) * | 2020-03-18 | 2022-06-14 | 华中科技大学 | 一种基于深度学习的三维点云语义分割方法 |
CN111489358A (zh) * | 2020-03-18 | 2020-08-04 | 华中科技大学 | 一种基于深度学习的三维点云语义分割方法 |
CN111462137A (zh) * | 2020-04-02 | 2020-07-28 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于知识蒸馏和语义融合的点云场景分割方法 |
CN111462137B (zh) * | 2020-04-02 | 2023-08-08 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于知识蒸馏和语义融合的点云场景分割方法 |
CN111583263A (zh) * | 2020-04-30 | 2020-08-25 | 北京工业大学 | 一种基于联合动态图卷积的点云分割方法 |
CN111832473A (zh) * | 2020-07-10 | 2020-10-27 | 星际空间(天津)科技发展有限公司 | 点云特征识别处理方法、装置、存储介质及电子设备 |
CN111932574A (zh) * | 2020-09-01 | 2020-11-13 | 重庆市勘测院 | 基于多层次语义特征的建筑立面点云提取系统及方法 |
CN112581515A (zh) * | 2020-11-13 | 2021-03-30 | 上海交通大学 | 基于图神经网络的户外场景点云配准方法 |
US11703457B2 (en) | 2020-12-29 | 2023-07-18 | Industrial Technology Research Institute | Structure diagnosis system and structure diagnosis method |
CN112907602A (zh) * | 2021-01-28 | 2021-06-04 | 中北大学 | 一种基于改进k-近邻算法的三维场景点云分割方法 |
CN112818999A (zh) * | 2021-02-10 | 2021-05-18 | 桂林电子科技大学 | 一种基于卷积神经网络的复杂场景3d点云语义分割方法 |
CN112818999B (zh) * | 2021-02-10 | 2022-10-28 | 桂林电子科技大学 | 一种基于卷积神经网络的复杂场景3d点云语义分割方法 |
CN113781639A (zh) * | 2021-09-22 | 2021-12-10 | 交通运输部公路科学研究所 | 一种大场景道路基础设施数字化模型快速构建方法 |
CN113781639B (zh) * | 2021-09-22 | 2023-11-28 | 交通运输部公路科学研究所 | 一种大场景道路基础设施数字化模型快速构建方法 |
CN115619963A (zh) * | 2022-11-14 | 2023-01-17 | 吉奥时空信息技术股份有限公司 | 一种基于内容感知的城市建筑物实体建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110827398B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827398B (zh) | 基于深度神经网络的室内三维点云自动语义分割方法 | |
CN111489358B (zh) | 一种基于深度学习的三维点云语义分割方法 | |
CN108763606B (zh) | 一种基于机器视觉的户型图元素自动提取方法与系统 | |
CN110458805B (zh) | 一种平面检测方法、计算设备以及电路系统 | |
CN107622244B (zh) | 一种基于深度图的室内场景精细化解析方法 | |
WO2020177432A1 (zh) | 基于目标检测网络的多标签物体检测方法、系统、装置 | |
CN111563442A (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
WO2015139574A1 (zh) | 一种静态物体重建方法和系统 | |
CN111179426A (zh) | 基于深度学习的机器人室内环境三维语义地图构建方法 | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
CN115032648B (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
CN116385660A (zh) | 室内单视图场景语义重建方法及系统 | |
CN110007764B (zh) | 一种手势骨架识别方法、装置、系统及存储介质 | |
Dong et al. | Probability driven approach for point cloud registration of indoor scene | |
CN114898041A (zh) | 一种基于光度误差的改进icp方法 | |
Zhang et al. | Improved feature point extraction method of ORB-SLAM2 dense map | |
CN113256793A (zh) | 一种三维数据处理方法及系统 | |
CN115048478B (zh) | 智能设备地理信息图谱的构建方法、设备和系统 | |
De Geyter et al. | Automated training data creation for semantic segmentation of 3D point clouds | |
CN115131459A (zh) | 平面布置图重建方法及装置 | |
CN110826501B (zh) | 一种基于稀疏关键点校准的人脸关键点检测方法与系统 | |
Zhang et al. | Object detection based on deep learning and b-spline level set in color images | |
Ruan et al. | A semantic octomap mapping method based on cbam-pspnet | |
Shi et al. | Fast and effective integration of multiple overlapping range images | |
Wu | Research on embroidery image recognition based on deep learning |
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 |