CN111368922B - 一种用于物体分类的点云处理网络架构 - Google Patents

一种用于物体分类的点云处理网络架构 Download PDF

Info

Publication number
CN111368922B
CN111368922B CN202010148084.9A CN202010148084A CN111368922B CN 111368922 B CN111368922 B CN 111368922B CN 202010148084 A CN202010148084 A CN 202010148084A CN 111368922 B CN111368922 B CN 111368922B
Authority
CN
China
Prior art keywords
characteristic
layer
point cloud
feature
multiplexing
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
CN202010148084.9A
Other languages
English (en)
Other versions
CN111368922A (zh
Inventor
刘厚德
阮见
周星如
王学谦
朱晓俊
梁斌
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua University
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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202010148084.9A priority Critical patent/CN111368922B/zh
Publication of CN111368922A publication Critical patent/CN111368922A/zh
Application granted granted Critical
Publication of CN111368922B publication Critical patent/CN111368922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/443—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 by matching or filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种用于物体分类的点云处理网络架构，包括w个并行的点云特征提取单元、一池化层和若干全连接层，w个并行的点云特征提取单元的输入是w组原始点云、输出共同连接至所述池化层的输入端，若干全连接层串联，所述池化层的输出端连接于第一个全连接层的输入端。每个特征提取单元包含先后交替串联的n个采样模块和n个特征复用模块，特征提取单元对原始点云进行特征提取、采样和内部的特征复用，最终输出有效的点云特征送入池化层进行过滤，最后通过若干个全连接层进行特征连接，实现物体分类。

Description

一种用于物体分类的点云处理网络架构
技术领域
本发明涉及3D点云数据处理技术领域，具体涉及一种用于物体分类的点云处理网络架构。
背景技术
随着自动驾驶领域和高精度地图定位技术的迅猛发展，高效、准确的处理3D点云数据的技术变得越来越重要。点云数据可通过CAD模型转化获取，也可直接通过LiDAR传感器或RGBD相机获取。由此衍生出，如何在3D点云的处理上达到2D图像的效果，这成为一个非常值得探究的问题。
3D点云处理技术面临的挑战主要包括以下方面：
1)非结构化数据，没有规范的网格，难以进行卷积。点云是分布在空间中的三维坐标点，因此没有结构化的网格来实现有效的卷积，在点云领域至今没有规范的卷积范式；
2)点云处理过程中的置换不变性要求。点云本质上是一长串空间中的点(n×3矩阵，其中n是点数)。在几何上，点的顺序不影响它在底层矩阵结构中的表示方式，相同的点云可以由两个完全不同的矩阵表示。
3)采集的原始点云特点。通常环境噪声会造成采集到的点云数据有很多干扰点，也会因为物体之间存在遮挡、光照条件不充足导致点云采集缺失，而且采集点云会因为距离的远近造成近密远疏的点云分布，增加了对点云处理技术的要求。
在如何使用深度学习技术对点云处理问题进行探究的过程中，斯坦福大学提出的PointNet和Pointnet++首次实现了直接对原始点云有效的卷积处理，并达到了比较理想的实验结果。
PointNet的主要思想是三维物体分类任务的分类数目是有限的，而空间中的点只有XYZ三维的信息，因此原始的信息不能满足分类个数的要求，需要对原始点云的特征进行升维操作。通过卷积的方式将原始点云特征升到一个非常冗余的特征空间，比如1024维特征空间，在这个空间中点云的特征是冗余的，随后再对这样一个空间进行下采样，采样到要求分类的物体数量，比如需要分成30类物体，就通过下采样将1024维特征降到30维，这样就能够满足分类任务的要求。
PointNet的局限性：一是忽略了点云的局部信息。PointNet是直接对全部点云进行特征提取，再做maxpool(使用maxpool主要是为了解决点云输入的置换不变性要求，因为maxpool是一种对称函数，而对称函数对数据的输入顺序没有要求，同样的数据经过对称函数都能得到同样的输出)操作实现全局特征的下采样，而这样的操作就过滤掉了点云的局部信息，比如边缘轮廓信息等，从而难以实现与物体模型比较相似的物体的区分。二是没有点云数据的近密远疏的密度分布特征，对于稀疏点云的处理效果不好，对复杂的场景点云没有泛化能力。
Pointnet++的主要思想是在Pointnet基础上增加了点云局部特征的提取模块，并考虑了点云的密度分布不均匀的问题，采用了不同尺度的采样方式。
PointNet++的局限性：一是对局部特征的提取仅仅通过简单的多层感知机，没有在最开始阶段对点云特征进行高效、完整的提取，点云的卷积方式需要进一步改进。二是对点云密度不均匀问题的解决方法过于简单，只是通过不同尺度的特征拼接在一起，而忽视了对于点云中同一个点在不同尺度中其所代表的特征，表达的信息内容是不同的。
发明内容
本发明的主要目的在于提出一种用于物体分类的点云处理网络架构，通过采用多个特征复用模块重复利用点云的低层级特征，并以迭代复用的方式对不同的特征层进行旁路加强，从而有效地提取点云特征，以解决现有的点云分类方式所存在的随着卷积层加深，低层级特征信息逐渐缺失导致的网络分类准确度下降问题；以及，随着卷积层数增加而出现的梯度弥散问题。
本发明为达上述目而提出的技术方案如下：
一种用于物体分类的点云处理网络架构，包括w个并行的点云特征提取单元、一池化层和若干全连接层，w个并行的点云特征提取单元的输入是w组原始点云、输出共同连接至所述池化层的输入端，若干全连接层串联，所述池化层的输出端连接于第一个全连接层的输入端；对于每个点云特征提取单元：包含n个采样模块和n个特征复用模块，n个特征复用模块分别一一对应地连接于n个采样模块之后，形成采样模块与特征复用模块的交替串联，即采样模块-特征复用模块-采样模块-特征复用模块……-采样模块-特征复用模块的串联模式；n个采样模块中的第一个采样模块接收原始点云，输出局部邻域特征F0，n个特征复用模块中的第一个特征复用模块接收局部邻域特征F0并进行特征复用之后输出特征F1，后面n-1个采样模块均用于对所接收的特征进行随机采样，后面n-1个特征复用模块均用于对所接收的特征进行特征复用；每个特征复用模块包括m个卷积层单元、m个最大池化层、m个激活函数层和特征输出层；每个卷积层单元由一个A类卷积层和一个B类卷积层串联而成，每个卷积层单元的输出端串联一个最大池化层，同时每个最大池化层的输出端串联一个激活函数层；A类卷积层的卷积核大小均为1×1，用于降低特征第二维的维度；B类卷积层的卷积核大小均为3×3，用于升高特征第三维的维度；所述池化层对w个点云特征提取单元最终输出的w组特征按预设条件进行过滤；所述若干全连接层对所述池化层过滤后所筛选出的特征进行连接，实现物体分类。
本发明提供的上述技术方案与现有技术相比，具有如下有益效果：
本发明通过特征复用模块进行点云特征的复用，即，通过对不同的特征层进行旁路加强，不过多的学习冗余的特征，而是将前几个层级的特征通过叠加在当前层级的特征空间中，来有效的提取点云特征，这种方式能够有效缓解因卷积神经网络层数增加导致的梯度弥散问题，同时能够充分挖掘网络的性能，进一步提高分类准确率。
附图说明
图1是本发明具体例提供的一种用于物体分类的点云处理网络架构的原理框图；
图2是一个点云特征提取单元的示例性原理框图；
图3是一个特征复用模块的示例性原理框图。
具体实施方式
下面结合附图和具体的实施方式对本发明作进一步说明。
本发明的具体实施方式提供一种用于物体分类的点云处理网络架构，参考图1，该网络架构包括w个并行的点云特征提取单元、一池化层和若干全连接层，w个并行的点云特征提取单元的输入是w组原始点云(原始点云1～w)、输出共同连接至所述池化层的输入端，若干个全连接层是串联，所述池化层的输出端连接于第一个全连接层的输入端。全连接层的数量K优选为2或3，当然也可以是其它值，本发明对此不作限制。此处w的取值可根据分类场景和需求来设置，通常w≥2。
如图2所示为一个点云特征提取单元的示例性原理框图。对于每个点云特征提取单元，其结构是相同的：包含n个采样模块和n个特征复用模块，n个特征复用模块分别一一对应地连接于n个采样模块之后，形成采样模块与特征复用模块的交替串联，n≥2，优选地n＝3；每个点云特征提取单元的工作流程为：n个采样模块中的第一个采样模块接收原始点云，输出局部邻域特征F0，n个特征复用模块中的第一个特征复用模块接收局部邻域特征F0并进行特征复用之后输出特征F1，后面n-1个采样模块均用于对所接收的特征进行随机采样，后面n-1个特征复用模块均用于对所接收的特征进行特征复用。图2示例的点云特征提取单元，n＝3，即由3个采样模块和3个特征复用模块先后交替串联而成，原始点云输入采样模块1提取局部邻域特征F0，特征复用模块1接收特征F0并在其内部进行特征复用(复用过程后续讲述)并输出特征F1，采样模块2对特征F1进行随机采样(目的是满足点云的置换不变性要求)，并将采样特征输入特征复用模块2，特征复用模块2又在其内部进行特征复用并输出特征F2，采样模块3对特征F2进行随机采样，并将采样特征输入特征复用模块3，特征复用模块3又在其内部进行特征复用并输出特征F3。
在一种具体的实施例中，所述采样模块包含依次串联的采样层(Samplinglayer)、划分层(Groupinglayer)、PointNet层。第一个采样模块的采样层是对原始点云进行采样，提取局部邻域特征，后面n-1个采样模块的采样层是对所接收的特征进行随机采样。各所述采样模块的工作原理均是一样的，即：1)随机选一个点(第一个采样模块工作时是原始点云中的“点”；后面的采样模块工作时是特征集合中的“点”)，然后选择离这个点距离最远的点加入起点，然后继续迭代，直到选出需要的个数为止，实现采样；2)划分层将采集的点划分为多个子集，用Ballquery分组算法，给定中心点，把给定半径内的点都包括进来，同时给定邻居点个数，Ballquery保证了一个固定的区域尺寸，适合需要局部特征的任务；3)PointNet层对每个子集进行特征提取，局部区域的坐标首先被转换到相对于中点的坐标系中，随后用PointNet作为局部特征学习器，从局部点集中抽取特征并把特征组合成更高层表示。
每个特征复用模块均包括m个卷积层单元、m个最大池化层、m个激活函数层和特征输出层。其中m的取值根据需要进行设置，参考的取值范围是1≤m≤5，在本发明的优选实施例中，m＝5。一个卷积层单元由一个A类卷积层和一个B类卷积层串联而成，每个卷积层单元的输出端串联一个最大池化层，同时每个最大池化层的输出端串联一个激活函数层；A类卷积层的卷积核大小均为1×1，用于降低特征第二维的维度；B类卷积层的卷积核大小均为3×3，用于升高特征第三维的维度。如图3为一个特征复用模块的示例性原理框图，结合该图对特征复用模块进行特征复用的流程进行说明。如图3所示，一个示例性(取m＝3)的特征复用模块包括3个卷积层单元(含3个A类卷积层和3个B类卷积层)、3个最大池化层、3个激活函数层和一特征输出层。采样模块1所提取的局部邻域特征F0输入至A类卷积层1进行特征的降维，再经过B类卷积层1进行特征的升维，然后经过最大池化层1、激活函数层2，得到特征F11；F0和F11合并后依次经过A类卷积层2、B类卷积层2、最大池化层2、激活函数层2的处理，得到特征F12；F0、F11和F12合并后依次经过A类卷积层3、B类卷积层3、最大池化层3、激活函数层3的处理，得到特征F13。最后通过特征输出层将这三个特征F11,F12,F13进行处理后输出，此处的处理比如是直接将最后一个特征F13作为特征复用模块的输出，或者是将后2个特征F12和F13相加作为特征复用模块的输出。总之，一个特征复用模块的处理过程中会产生m个特征F11,F12,F13,…,F1m，通过其特征输出层将这m个特征中的后s个特征合并作为该特征复用模块的输出，第一个特征复用模块的输出记为F1；其中1≤s≤m，比如，当m＝5时，第一个特征复用模块的输出可以是F1＝F13+F14+F15。这样就实现了模块内部特征的复用和旁路加强。
在特征复用模块中，为了防止网络训练过度，发生过拟合现象，可以在卷积层操作之后增加正则化操作；另外，为了增加网络的鲁棒性，还可以在卷积层操作之后增加Dropout操作，以一定的概率丢弃某些特征，防止过拟合。
从而，w组原始点云在经过w个点云特征提取单元之后，得到各自组的特征Fn(各个组的Fn是不同的，每个组的特征实际上是一个特征点集合)，如图1所示，w组特征Fn同时输入至所述池化层，进行过滤，筛选所需特征，池化操作例如可以是最大池化操作，即设置一个特征维度阈值，将大于该阈值的特征Fn筛选出来，最后输入全连接层1～K进行特征连接，即可实现物体分类。池化层也可进行求和池化的操作。全连接层的数量为2层以上，2层和3层是最优的，可以很好地解决非线性问题。尤其是3层，三层全连接层的设置分别是[1024,512]、[512,256]、[256,number]，这里的number是所要求分类的物体个数。
下面通过一个具体的例子来说明本发明提供的网络架构的有效性。
假设输入32组原始点云，每一组1024个三维点，即网络架构初始输入的点云维度为32×1024×3。点云特征提取单元的结构以图2为例，三个采样模块的超参数设置如表1：
表1 3层多尺度采样模块的超参数设置
其中，MPL是MultilayerPerceptronLayer，多层感知机，作用是提取特征。在上述参数设置下，32组原始点云经过32个特征提取单元后得到的32组特征经过池化层处理，输出288×1024维特征。为了很好地解决神经网络的非线性问题，最后设置了3层全连接层(为了解决非线性问题，通常需要两层以上全连接层)。这三层全连接层的设置分别是[1024,512]、[512,256]、[256,number]，这里的number是所要求分类的物体个数。这三层全连接层输出特征维度分别是：288×512，288×256，288×number。
在上述例子的基础上，对公开数据集ModelNet40进行分类实验，与采用现有技术的分类结果对比如下表2所示：
表2
网络结构 输入点数 测试数据集 分类实验准确率
Pointnet 1024 ModelNet40 89.2%
Pointnet++ 1024 ModelNet40 90.7%
本发明 1024 ModelNet40 93.2%
从表2可看出，在同样的数据集ModelNet40情况下，本发明的网络架构所实现的分类准确率是93.2％，而Pointnet只有89.2％，Pointnet++只有90.7％准确率，说明本发明具备特征复用和旁路加强功能的点云特征提取单元能够更大程度提取有效特征，缓解因卷积神经网络层数增加导致的梯度弥散问题，最终提高了利用点云数据进行物体分类的准确率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (5)

1.一种用于物体分类的点云处理网络架构，其特征在于：包括w个并行的点云特征提取单元、一池化层和若干全连接层，w个并行的点云特征提取单元的输入是w组原始点云、输出共同连接至所述池化层的输入端，若干全连接层串联，所述池化层的输出端连接于第一个全连接层的输入端；
对于每个点云特征提取单元：包含n个采样模块和n个特征复用模块，n个特征复用模块分别一一对应地连接于n个采样模块之后，形成采样模块与特征复用模块的交替串联；n个采样模块中的第一个采样模块接收原始点云，输出局部邻域特征F0，n个特征复用模块中的第一个特征复用模块接收局部邻域特征F0并进行特征复用之后输出特征F1，后面n-1个采样模块均用于对所接收的特征进行随机采样，后面n-1个特征复用模块均用于对所接收的特征进行特征复用；
其中，第一个特征复用模块接收局部邻域特征F0，在其内部依次经过卷积层单元1、最大池化层1、激活函数层1的处理，得到特征F11；将F0和F11合并，然后依次经过卷积层单元2、最大池化层2、激活函数层2的处理，得到特征F12；将F0、F11和F12合并，然后依次经过卷积层单元3、最大池化层3、激活函数层3的处理，得到特征F13；以此类推，最终得到m个特征F11,F12,F13,…,F1m；再通过特征输出层将所述m个特征中的后s个特征合并作为第一个特征复用模块的输出，记为特征F1；其中1≤s≤m；第二个采样模块接收特征F1，进行随机采样；第二个特征复用模块以第二个采样模块的输出作为输入，按照第一个特征复用模块的处理方式进行特征复用，输出特征F2，再输入第三个采样模块，以此类推，最末一个特征复用模块输出特征Fn；
每个特征复用模块包括m个卷积层单元、m个最大池化层、m个激活函数层和特征输出层；每个卷积层单元由一个A类卷积层和一个B类卷积层串联而成，每个卷积层单元的输出端串联一个最大池化层，同时每个最大池化层的输出端串联一个激活函数层；A类卷积层的卷积核大小均为1×1，用于降低特征第二维的维度；B类卷积层的卷积核大小均为3×3，用于升高特征第三维的维度；
所述池化层对w个点云特征提取单元最终输出的w组特征按预设条件进行过滤；
所述若干全连接层对所述池化层过滤后所筛选出的特征进行连接，实现物体分类。
2.如权利要求1所述的用于物体分类的点云处理网络架构，其特征在于：所述采样模块包含依次串联的采样层、划分层和PointNet层。
3.如权利要求1所述的用于物体分类的点云处理网络架构，其特征在于：所述池化层采用最大池化或求和池化的方式，按照预设的条件对w个点云特征提取单元最终输出的w组特征Fn进行过滤。
4.如权利要求1所述的用于物体分类的点云处理网络架构，其特征在于：n≥2；1≤m≤5。
5.如权利要求4所述的用于物体分类的点云处理网络架构，其特征在于：n＝3；m＝5。
CN202010148084.9A 2020-03-05 2020-03-05 一种用于物体分类的点云处理网络架构 Active CN111368922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010148084.9A CN111368922B (zh) 2020-03-05 2020-03-05 一种用于物体分类的点云处理网络架构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010148084.9A CN111368922B (zh) 2020-03-05 2020-03-05 一种用于物体分类的点云处理网络架构

Publications (2)

Publication Number Publication Date
CN111368922A CN111368922A (zh) 2020-07-03
CN111368922B true CN111368922B (zh) 2023-04-18

Family

ID=71208675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010148084.9A Active CN111368922B (zh) 2020-03-05 2020-03-05 一种用于物体分类的点云处理网络架构

Country Status (1)

Country Link
CN (1) CN111368922B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710906A (zh) * 2018-05-11 2018-10-26 北方民族大学 基于轻量级网络LightPointNet的实时点云模型分类方法
CN110110621A (zh) * 2019-04-23 2019-08-09 安徽大学 基于多特征整合深度学习模型的倾斜摄影点云分类方法
CN110569875A (zh) * 2019-08-07 2019-12-13 清华大学无锡应用技术研究院 一种基于特征复用的深度神经网络目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710906A (zh) * 2018-05-11 2018-10-26 北方民族大学 基于轻量级网络LightPointNet的实时点云模型分类方法
CN110110621A (zh) * 2019-04-23 2019-08-09 安徽大学 基于多特征整合深度学习模型的倾斜摄影点云分类方法
CN110569875A (zh) * 2019-08-07 2019-12-13 清华大学无锡应用技术研究院 一种基于特征复用的深度神经网络目标检测方法

Also Published As

Publication number Publication date
CN111368922A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN111310861B (zh) 一种基于深度神经网络的车牌识别和定位方法
CN112329800B (zh) 一种基于全局信息引导残差注意力的显著性目标检测方法
CN110210539B (zh) 多级深度特征融合的rgb-t图像显著性目标检测方法
CN107239751B (zh) 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
CN111310773A (zh) 一种高效的卷积神经网络的车牌定位方法
CN106372648A (zh) 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN112132844A (zh) 基于轻量级的递归式非局部自注意力的图像分割方法
CN109461458B (zh) 一种基于生成对抗网络的音频异常检测方法
CN113192076B (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN111815526B (zh) 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统
CN112037228A (zh) 一种基于双倍注意力的激光雷达点云目标分割方法
CN113449612B (zh) 一种基于子流型稀疏卷积的三维目标点云识别的方法
CN111008979A (zh) 一种鲁棒的夜晚图像语义分割方法
CN115512226B (zh) 融入注意力机制多尺度CNN的LiDAR点云滤波方法
CN115482518A (zh) 一种面向交通场景的可扩展多任务视觉感知方法
Yuan et al. Few-shot scene classification with multi-attention deepemd network in remote sensing
CN117218351A (zh) 基于局部和全局上下文感知的三维点云语义分割方法
CN116843975A (zh) 结合空间金字塔注意力机制的高光谱图像分类方法
CN111414941B (zh) 一种基于特征复用的点云卷积神经网络
CN111275076B (zh) 基于特征选择和特征融合的图像显著性检测方法
CN111368922B (zh) 一种用于物体分类的点云处理网络架构
CN118247645A (zh) 一种新型DDCE-YOLOv8s模型的水下图像目标检测方法
CN111461135A (zh) 利用卷积神经网络集成的数字图像局部滤波取证方法
CN115984547A (zh) 目标检测模型、训练方法及系统、目标检测方法及系统

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