CN111260660B - 一种基于元学习的3d点云语义分割迁移方法 - Google Patents

一种基于元学习的3d点云语义分割迁移方法 Download PDF

Info

Publication number
CN111260660B
CN111260660B CN202010037927.8A CN202010037927A CN111260660B CN 111260660 B CN111260660 B CN 111260660B CN 202010037927 A CN202010037927 A CN 202010037927A CN 111260660 B CN111260660 B CN 111260660B
Authority
CN
China
Prior art keywords
meta
training
learning
data
point cloud
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.)
Active
Application number
CN202010037927.8A
Other languages
English (en)
Other versions
CN111260660A (zh
Inventor
冯丽
李磊
曾凡玉
汪晨
葛树志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010037927.8A priority Critical patent/CN111260660B/zh
Publication of CN111260660A publication Critical patent/CN111260660A/zh
Application granted granted Critical
Publication of CN111260660B publication Critical patent/CN111260660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于元学习的3D点云语义分割迁移方法，涉及机器人导航技术领域。该方法包括：构建PointNet网络模型；选择训练数据集；对于每个训练数据集，利用其中不同类别的数据形成训练任务集；构建元学习框架；根据元学习框架，通过各训练任务集对PointNet网络模型进行训练；选择测试任务集；将测试任务集输入训练好的PointNet网络模型进行测试，直至模型的梯度更新值收敛。该方法在新环境任务中通过加载已经训练完成的模型，使用最优的相似任务参数，新任务的室内场景语义分割方法的训练效率高；通过元学习框架学习了不同任务的语义分割能力，确保学习特征可以适用于不同的迁移环境，提高了模型的泛化性能。

Description

一种基于元学习的3D点云语义分割迁移方法
技术领域
本发明涉及机器人导航技术领域，具体而言，涉及一种基于元学习的3D点云语义分割迁移方法。
背景技术
在机器人导航技术领域，语义分割是一种细粒度的分类任务，是计算机视觉任务中实现场景理解的一个基础问题，是实现机器人从粗略推理到精细推理的重要步骤。
目前3D点云数据的语义分割方法由图像的语义分割发展而来，根据数据的表达形式不同，主要有以下两种方法：
多视角投影：将3D点云数据投影到不同的平面，得到不同视角下的2D图像，分别利用图像语义分割的方法处理2D图像，再融合不同视角下的数据信息，得到完整3D点云数据的结果。这种方法丢弃了3D点云数据的优势，而且在投影和融合阶段会损失数据的空间几何关系特征，因此不能适应复杂环境。
3D卷积：将点云数据转换为空间上有依赖关系的体素网络，与图像类似，具有一定的空间结构，利用三维卷积进行处理。由于3D点云数据采集本身导致数据分布不均匀，数据的稀疏性会影响特征提取的准确性，同时，三维卷积操作计算量大，数据处理效率低，因此该方法难以应用。
上述两种方法不能直接利用点云数据，需要转换点云数据，该过程存在信息损失，而且效率较低；另外，需要的标注数据量多，尤其对于语义分割任务而言，需要像素级的数据标注，工作量大，成本高。
发明内容
本发明在于提供一种基于元学习的3D点云语义分割迁移方法，其能够缓解上述问题。
为了缓解上述的问题，本发明采取的技术方案如下：
本发明提供了一种基于元学习的3D点云语义分割迁移方法，包括以下步骤：
S100、构建PointNet网络模型；
S200、输入训练环境的3D点云数据集，将3D点云数据集分成若干子数据集，利用PointNet网络模型检测各子数据集的相似度，选取相似度最小的n个子数据集分别作为场景语义分割迁移的n个训练数据集；
S300、对于每个训练数据集，对其中的数据进行预处理，利用其中不同类别的数据形成训练任务集；
S400、构建元学习框架，其包括梯度更新框架和元学习更新框架；
S500、根据元学习框架，通过各训练任务集对PointNet网络模型进行训练；
S600、获取新环境3D点云数据集，对新环境3D点云数据集进行预处理，利用其中不同类别的数据形成测试任务集；
S700、将测试任务集输入训练好的PointNet网络模型进行测试，直至模型的梯度更新值收敛，完成3D点云语义分割的迁移。
本技术方案的技术效果是：在新环境任务中通过加载已经训练完成的模型，使用最优的相似任务参数，仅仅训练几步即可完成新任务的场景语义分割方法的训练；由于加载的训练模型参数是多种相似任务的最优参数，更有利于新任务的训练，相比于重新训练神经网络和微调神经网络可以更快收敛，减少训练时间。通过元学习框架学习了不同任务的语义分割能力，确保学习特征可以适用于不同的迁移环境，提高了模型的泛化性能，相比在单一环境任务的室内场景语义分割的神经网络的迁移，可迁移性更强。
进一步地，所述步骤S200中，训练数据集的选择方法具体包括：设定相似度阈值，将相似度小于相似度阈值的子数据集作为所述训练数据集。
进一步地，所述步骤S200中，训练环境分成六个区域，子数据集有六个，所述子数据集与所述区域一一对应，所述训练数据集至少有2个。
本技术方案的技术效果是：在训练过程中采取至少2个训练数据集，可以采取更多不同类别的数据，形成不同的任务集，提高数据样本的泛化性，更好地体现不同环境之间的迁移性能。如果仅仅在1个数据集之间进行迁移训练，数据相似度更大，易导致模型训练过拟合，降低了模型的泛化性，无法实现不同环境的迁移学习。
进一步地，所述步骤S300具体包括：对于每个训练数据集，从中随机抽取K类数据，每类数据中取M个数据形成一个K-way M-shot任务，选取若干个K-way M-shot任务构成训练任务集；各训练数据集的训练任务集不同。
本技术方案的技术效果是：该方法不仅增加了训练数据量，避免了训练数据集样本不足；同时每个训练任务集代表多个类别，有利于模型学习通用特征。
更进一步地，所述步骤S400中，元学习框架的元学习超参数有两个，分别为梯度更新学习率α和元学习更新学习率β，α和β均为自定义参数，均通过若干次试验得到。
更进一步地，所述步骤S500具体包括：
S501、对于每个训练任务集，从中随机采样一批任务，对于该批任务中的每个任务，将其中的少量数据作为元训练数据集，将其中的其它数据作为元测试数据集，利用元学习框架的梯度更新框架调用PointNet网络模型，将元训练数据集输入至PointNet网络模型得到元训练损失值，利用元训练损失值计算期望参数，将元测试数据集输入至网络参数为期望参数的PointNet网络模型，得到元测试损失值；
利用元学习框架的元学习更新框架调用PointNet网络模型，将所有的元测试损失值输入元学习更新框架，对各任务的元测试损失值进行求和得到训练损失值，然后根据训练损失值对PointNet网络模型的参数计算元学习更新值，并利用元学习更新值更新PointNet网络模型的参数；
S502、重复步骤S501，直到元学习更新值收敛，完成PointNet模型的训练。
本技术方案的技术效果是：在迁移训练过程中，可以通过少量不同类别的训练样本组成多个训练任务，利用元学习框架学习多个类别的通用特征，提高模型的泛化性能；与随机初始化网络参数和加载某特定任务的神经网络参数相比，元学习训练的参数作为迁移过程中的初始化参数效果更好。
进一步地，所述步骤S600具体包括：获取新环境3D点云数据集，从新环境3D点云数据集中随机抽取K类数据，每类数据中取M个数据形成一个K-way M-shot任务，选取若干个K-way M-shot任务构成测试任务集。
本技术方案的技术效果是：所需要的新环境3D点云训练数据较少，通过形成测试任务集增加训练样本，减少了新环境数据的采集和标注，降低了成本。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是实施例中基于元学习的3D点云语义分割迁移方法流程图；
图2是实施例中PointNet网络模型示意图；
图3是实施例中元学习框架的示意图；
图4是实施例中元学习调用PointNet的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1～图4，本实施例提供了一种基于元学习的3D点云语义分割迁移方法，包括以下步骤：
S100、构建PointNet网络模型。
S200、输入训练环境的3D点云数据集，将3D点云数据集分成若干子数据集，利用PointNet网络模型检测各子数据集的相似度，选取相似度最小的n个子数据集分别作为场景语义分割迁移的n个训练数据集。
在本实施例中，训练数据集的选择方法具体包括：设定相似度阈值，将相似度小于相似度阈值的子数据集作为训练数据集。
在本实施例中，训练环境分成六个区域，子数据集有六个，子数据集与区域一一对应，训练数据集为2个，除此之外，也可大于2个。
S300、对于每个训练数据集，对其中的数据进行预处理，从训练数据集中随机抽取K类数据，每类数据中取M个数据形成一个K-way M-shot任务，选取若干个K-way M-shot任务构成训练任务集。
S400、构建元学习框架，其包括梯度更新框架和元学习更新框架。
在本实施例中，元学习框架如图3所示，其元学习超参数有两个，分别为梯度更新学习率α和元学习更新学习率β，α决定梯度更新的步长，β决定元学习更新的步长，α和β均为自定义参数，均通过若干次试验得到。
S500、根据元学习框架，通过各训练任务集对PointNet网络模型进行训练，请参照图4，其具体训练过程如下：
S501、对于每个训练任务集，从中随机采样一批任务，对于该批任务中的每个任务，将其中的少量数据作为元训练数据集，将其中的其它数据作为元测试数据集，利用元学习框架的梯度更新框架调用PointNet网络模型，将元训练数据集输入至PointNet网络模型得到元训练损失值，利用元训练损失值计算期望参数，将元测试数据集输入至网络参数为期望参数的PointNet网络模型，得到元测试损失值。
在本实施例中，元训练损失值的计算公式如下：
Figure BDA0002366689280000051
根据元训练损失值计算期望参数，通过如下公式实现：
Figure BDA0002366689280000054
其中，θ为模型f的初始化参数，θi′为期望参数值，(x(j),y(j))为所选ti任务中的数据样本对，
Figure BDA0002366689280000055
为损失函数，α为梯度更新学习率。
利用元学习框架的元学习更新框架调用PointNet网络模型，将所有的元测试损失值输入元学习更新框架，对各任务的元测试损失值进行求和得到训练损失值，然后根据训练损失值对PointNet网络模型的参数计算元学习更新值，并利用元学习更新值更新PointNet网络模型的参数。
在本实施例中，训练损失函数通过如下公式实现：
Figure BDA0002366689280000052
其中，基于训练损失值计算元学习更新值，优化PointNet网络参数，通过如下公式实现：
Figure BDA0002366689280000053
其中，β是元学习更新学习率。
S502、重复步骤S501，直到元学习更新值收敛，完成PointNet模型的训练，保存训练好的PointNet网络模型，如图2所示。
S600、获取新环境3D点云数据集，对新环境3D点云数据集进行预处理，从新环境3D点云数据集中随机抽取K类数据，每类数据中取M个数据形成一个K-way M-shot任务，选取若干个K-way M-shot任务构成测试任务集。
S700、将测试任务集输入训练好的PointNet网络模型进行测试，直至模型的梯度更新值收敛，完成3D点云语义分割的迁移。
本发明所述基于元学习的3D点云语义分割迁移方法，具有以下特点：
1)泛化性能好。在迁移训练过程中，可以通过少量不同类别的训练样本组成多个训练任务，利用元学习框架学习多个类别的通用特征，提高模型的泛化性能。在迁移训练过程中，通用的初始化参数同样适用于新环境任务。与随机初始化网络参数和加载某特定任务的神经网络参数相比，元学习训练的参数作为迁移过程中的初始化参数效果更好。
2)收敛速度快。在新环境任务中通过加载已经训练完成的模型，使用最优的相似任务参数，仅仅训练几步即可完成新任务的室内场景语义分割方法的训练。由于加载的训练模型参数是多种相似任务的最优参数，与原任务越相似的新任务，最优初始化参数越有利于新任务的训练，相比于重新训练神经网络和微调神经网络可以更快收敛，减少训练时间。
3)可迁移性强。本发明通过元学习框架学习了不同任务的语义分割能力，确保学习特征可以适用于不同的迁移环境，提高了模型的泛化性能。相比在单一环境任务的室内场景语义分割的神经网络的迁移，本发明的可迁移性更强。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于元学习的3D点云语义分割迁移方法，其特征在于，包括以下步骤：
S100、构建PointNet网络模型；
S200、输入训练环境的3D点云数据集，将3D点云数据集分成若干子数据集，利用PointNet网络模型检测各子数据集的相似度，选取相似度最小的n个子数据集分别作为场景语义分割迁移的n个训练数据集；
S300、对于每个训练数据集，对其中的数据进行预处理，利用其中不同类别的数据形成训练任务集；
S400、构建元学习框架，其包括梯度更新框架和元学习更新框架；
S500、根据元学习框架，通过各训练任务集对PointNet网络模型进行训练；
所述步骤S500具体包括：
S501、对于每个训练任务集，从中随机采样一批任务，对于该批任务中的每个任务，将其中的少量数据作为元训练数据集，将其中的其它数据作为元测试数据集，利用元学习框架的梯度更新框架调用PointNet网络模型，将元训练数据集输入至PointNet网络模型得到元训练损失值，利用元训练损失值计算期望参数，将元测试数据集输入至网络参数为期望参数的PointNet网络模型，得到元测试损失值；
利用元学习框架的元学习更新框架调用PointNet网络模型，将所有的元测试损失值输入元学习更新框架，对各任务的元测试损失值进行求和得到训练损失值，然后根据训练损失值对PointNet网络模型的参数计算元学习更新值，并利用元学习更新值更新PointNet网络模型的参数；
S502、重复步骤S501，直到元学习更新值收敛，完成PointNet模型的训练；
S600、获取新环境3D点云数据集，对新环境3D点云数据集进行预处理，利用其中不同类别的数据形成测试任务集；
S700、将测试任务集输入训练好的PointNet网络模型进行测试，直至模型的梯度更新值收敛，完成3D点云语义分割的迁移。
2.根据权利要求1所述基于元学习的3D点云语义分割迁移方法，其特征在于，所述步骤S200中，训练数据集的选择方法具体包括：设定相似度阈值，将相似度小于相似度阈值的子数据集作为所述训练数据集。
3.根据权利要求1所述基于元学习的3D点云语义分割迁移方法，其特征在于，所述步骤S200中，训练环境分成六个区域，子数据集有六个，所述子数据集与所述区域一一对应，所述训练数据集至少有2个。
4.根据权利要求1所述基于元学习的3D点云语义分割迁移方法，其特征在于，所述步骤S300具体包括：对于每个训练数据集，从中随机抽取K类数据，每类数据中取M个数据形成一个K-way M-shot任务，选取若干个K-way M-shot任务构成训练任务集；各训练数据集的训练任务集不同。
5.根据权利要求4所述基于元学习的3D点云语义分割迁移方法，其特征在于，所述步骤S400中，元学习框架的元学习超参数有两个，分别为梯度更新学习率α和元学习更新学习率β，α和β均为自定义参数，均通过若干次试验得到。
6.根据权利要求1所述基于元学习的3D点云语义分割迁移方法，其特征在于，所述步骤S600具体包括：获取新环境3D点云数据集，从新环境3D点云数据集中随机抽取K类数据，每类数据中取M个数据形成一个K-way M-shot任务，选取若干个K-way M-shot任务构成测试任务集。
CN202010037927.8A 2020-01-14 2020-01-14 一种基于元学习的3d点云语义分割迁移方法 Active CN111260660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010037927.8A CN111260660B (zh) 2020-01-14 2020-01-14 一种基于元学习的3d点云语义分割迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010037927.8A CN111260660B (zh) 2020-01-14 2020-01-14 一种基于元学习的3d点云语义分割迁移方法

Publications (2)

Publication Number Publication Date
CN111260660A CN111260660A (zh) 2020-06-09
CN111260660B true CN111260660B (zh) 2023-04-11

Family

ID=70950475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010037927.8A Active CN111260660B (zh) 2020-01-14 2020-01-14 一种基于元学习的3d点云语义分割迁移方法

Country Status (1)

Country Link
CN (1) CN111260660B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111721536B (zh) * 2020-07-20 2022-05-27 哈尔滨理工大学 一种改进模型迁移策略的滚动轴承故障诊断方法
CN113011081B (zh) * 2021-02-02 2022-03-22 电子科技大学 一种基于元学习的无人机导航方法
CN114037948B (zh) * 2021-10-08 2024-07-09 中铁第一勘察设计院集团有限公司 基于迁移主动学习的车载道路点云要素矢量化方法与装置
CN117407690B (zh) * 2023-12-14 2024-03-22 之江实验室 一种基于模型迁移性评估的任务执行方法、装置及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377501A (zh) * 2018-09-30 2019-02-22 上海鹰觉科技有限公司 基于迁移学习的遥感图像舰船分割方法及系统
CN109741329A (zh) * 2018-11-27 2019-05-10 广东工业大学 一种面向电力走廊场景的点云分割方法
CN109919145A (zh) * 2019-01-21 2019-06-21 江苏徐工工程机械研究院有限公司 一种基于3d点云深度学习的矿卡检测方法及系统
CN110060256A (zh) * 2019-03-08 2019-07-26 广东工业大学 一种基于机载LiDAR点云的杆塔提取技术
CN110135227A (zh) * 2018-02-09 2019-08-16 电子科技大学 一种基于机器学习的激光点云室外场景自动分割方法
CN110245709A (zh) * 2019-06-18 2019-09-17 西安电子科技大学 基于深度学习和自注意力的3d点云数据语义分割方法
WO2019203231A1 (ja) * 2018-04-17 2019-10-24 日本電信電話株式会社 ３次元点群ラベル学習装置、３次元点群ラベル推定装置、３次元点群ラベル学習方法、３次元点群ラベル推定方法、及びプログラム
US10467500B1 (en) * 2018-12-31 2019-11-05 Didi Research America, Llc Method and system for semantic segmentation involving multi-task convolutional neural network
CN110660062A (zh) * 2019-08-31 2020-01-07 南京理工大学 一种基于PointNet的点云实例分割方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10007863B1 (en) * 2015-06-05 2018-06-26 Gracenote, Inc. Logo recognition in images and videos
US10424072B2 (en) * 2016-03-01 2019-09-24 Samsung Electronics Co., Ltd. Leveraging multi cues for fine-grained object classification
US10467760B2 (en) * 2017-02-23 2019-11-05 Adobe Inc. Segmenting three-dimensional shapes into labeled component shapes
US10773382B2 (en) * 2017-09-15 2020-09-15 X Development Llc Machine learning methods and apparatus for robotic manipulation and that utilize multi-task domain adaptation
US10984286B2 (en) * 2018-02-02 2021-04-20 Nvidia Corporation Domain stylization using a neural network model
US10678253B2 (en) * 2018-05-24 2020-06-09 GM Global Technology Operations LLC Control systems, control methods and controllers for an autonomous vehicle

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135227A (zh) * 2018-02-09 2019-08-16 电子科技大学 一种基于机器学习的激光点云室外场景自动分割方法
WO2019203231A1 (ja) * 2018-04-17 2019-10-24 日本電信電話株式会社 ３次元点群ラベル学習装置、３次元点群ラベル推定装置、３次元点群ラベル学習方法、３次元点群ラベル推定方法、及びプログラム
CN109377501A (zh) * 2018-09-30 2019-02-22 上海鹰觉科技有限公司 基于迁移学习的遥感图像舰船分割方法及系统
CN109741329A (zh) * 2018-11-27 2019-05-10 广东工业大学 一种面向电力走廊场景的点云分割方法
US10467500B1 (en) * 2018-12-31 2019-11-05 Didi Research America, Llc Method and system for semantic segmentation involving multi-task convolutional neural network
CN109919145A (zh) * 2019-01-21 2019-06-21 江苏徐工工程机械研究院有限公司 一种基于3d点云深度学习的矿卡检测方法及系统
CN110060256A (zh) * 2019-03-08 2019-07-26 广东工业大学 一种基于机载LiDAR点云的杆塔提取技术
CN110245709A (zh) * 2019-06-18 2019-09-17 西安电子科技大学 基于深度学习和自注意力的3d点云数据语义分割方法
CN110660062A (zh) * 2019-08-31 2020-01-07 南京理工大学 一种基于PointNet的点云实例分割方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Aymen Sellaouti.Meta-learning for Adaptive Image Segmentation.《International Conference Image Analysis and Recognition》.2014,第187-197页. *
Ding-Jie Chen.Unsupervised Meta-Learning of Figure-Ground Segmentation via Imitating Visual Effects.《The Thirty-Third AAAI Conference on Artificial Intelligence》.2019,第8159-8166页. *
刘桂雄.面向语义分割机器视觉的AutoML方法.《激光杂志》.2019,第40卷(第6期),第1-9页. *
张振鑫 ; 刘艺博 ; 陈动 ; 张立强 ; 钟若飞 ; 徐宗霞 ; 韩友美 ; .激光雷达点云特征表达研究进展.地理与地理信息科学.2018,第34卷(第04期),第33-39页. *
李宏男 ; 吴立珍 ; 牛轶峰 ; 王菖 ; .面向无人机小样本目标识别的元学习方法研究.无人系统技术.2019,第2卷(第06期),第21-26页. *
熊昌镇.多模型集成的弱监督语义分割算法.《计算机辅助设计与图形学学报》.2019,第31卷(第5期),第800-807页. *

Also Published As

Publication number Publication date
CN111260660A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111260660B (zh) 一种基于元学习的3d点云语义分割迁移方法
CN109859190B (zh) 一种基于深度学习的目标区域检测方法
CN108596053B (zh) 一种基于ssd和车辆姿态分类的车辆检测方法和系统
CN108734210B (zh) 一种基于跨模态多尺度特征融合的对象检测方法
CN109741341B (zh) 一种基于超像素和长短时记忆网络的图像分割方法
CN110781262B (zh) 基于视觉slam的语义地图的构建方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN111882620B (zh) 一种基于多尺度信息道路可行驶区域分割方法
US20220277514A1 (en) Reconstructing three-dimensional scenes portrayed in digital images utilizing point cloud machine-learning models
CN113657388A (zh) 一种融合图像超分辨率重建的图像语义分割方法
CN113313810B (zh) 一种透明物体的6d姿态参数计算方法
CN112801047B (zh) 缺陷检测方法、装置、电子设备及可读存储介质
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN115170746B (zh) 一种基于深度学习的多视图三维重建方法、系统及设备
CN108764244B (zh) 基于卷积神经网络和条件随机场的潜在目标区域检测方法
CN112241478A (zh) 一种基于图神经网络的大规模数据可视化降维方法
CN111310821A (zh) 多视图特征融合方法、系统、计算机设备及存储介质
CN112329801A (zh) 一种卷积神经网络非局部信息构建方法
CN116563682A (zh) 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法
CN113705655A (zh) 三维点云全自动分类方法及深度神经网络模型
Zhang et al. SaltISCG: Interactive salt segmentation method based on CNN and graph cut
CN115249313A (zh) 一种基于元模块融合增量学习的图像分类方法
CN116258877A (zh) 土地利用场景相似度变化检测方法、装置、介质及设备
CN111914949B (zh) 基于强化学习的零样本学习模型的训练方法及装置
CN115995024A (zh) 基于类图神经网络的图像分类方法

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