CN113486902A - 基于元学习的三维点云分类算法自动选择方法 - Google Patents

基于元学习的三维点云分类算法自动选择方法 Download PDF

Info

Publication number
CN113486902A
CN113486902A CN202110724839.XA CN202110724839A CN113486902A CN 113486902 A CN113486902 A CN 113486902A CN 202110724839 A CN202110724839 A CN 202110724839A CN 113486902 A CN113486902 A CN 113486902A
Authority
CN
China
Prior art keywords
point cloud
classification algorithm
meta
algorithm
classification
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.)
Pending
Application number
CN202110724839.XA
Other languages
English (en)
Inventor
徐帆
陈军
吴启晖
薛程前
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110724839.XA priority Critical patent/CN113486902A/zh
Publication of CN113486902A publication Critical patent/CN113486902A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于元学习的三维点云分类算法自动选择方法，属于点云数据处理领域，其技术要点是，包括：确定待选点云分类算法集合；提取点云全局特征，完成点云分类；提取点云数据集元特征，构建元数据；选择元分类器，利用元数据训练元分类模型；对新场景下的目标点云数据集，进行最优分类算法预测，以至少解决现有技术中对点云算法费事费力、选择算法困难与的问题，以便快速从众多的点云分类算法中选择出最适用于当前场景的算法。

Description

基于元学习的三维点云分类算法自动选择方法
技术领域
本发明属于三维点云处理技术领域，特别涉及了一种基于元学习的点云分类算法自动选择方法。
背景技术
三维三维点云是一种由激光雷达、RGB-D相机等三维扫描设备获取,由空间点的XYZ位置信息、RGB颜色信息和强度信息等组成的多维度复杂数据集合。相比于2D图像，三维点云具有无可比拟的优势，它可以提供丰富的几何、形状和尺度信息，不易受光照强度变化和其它物体遮挡等影响。通过三维点云我们能够更好地了解机器所处的环境、实现复杂环境下的场景理解，这些使得三维点云在自动驾驶、机器人和增强现实(AR)等许多领域有着广泛的应用。
基于三维点云数据的目标检测、识别是解决场景理解的主要技术，而三维点云目标分类是这些技术的基础。通过对空间中每个物体赋予特定的含义(标签)，能够准确描述空间中物体的类型，使我们对空间物体有更加细致的了解，所赋予的标签在真实世界中是有意义的。
目前，三维点云分类算法可分为两大类，即基于特征的传统机器学习方法和基于深度学习的方法。传统的机器学习方法首先提取点云全局特征，然后应用KNN，SVM，NB，DT，RF等机器学习方法进行分类，其训练时间短，实时性强，但不适用于点云种类较多的情况。基于深度学习的方法通过构建各种深度学习模型，直接将原始三维点云作为输入，通过不断优化参数来对模型进行训练。比较常用的深度学习模型有Pointnet，Pointnet++，PointCNN，DGCNN等，相比于传统的机器学习方法，深度学习模型能够很好地胜任点云类数较多的情况，唯一的不足就是其模型训练时间远远大于传统机器学习方法。
这些方法能够很好地完成点云分类的任务，但都是针对某个特定场景的大量点云数据进行训练，其模型泛化能力通常不够理想，如果场景发生改变，我们需要对模型进行重新训练。如何提高模型的泛化能力，使模型在很多不同的场景下都能适用一直是研究的难点所在。一般的方法是通过不断优化模型参数使其能够胜任更多不同的任务，但这大大增加了模型的复杂程度且训练时间会急剧增加。与其费尽心思地通过不断地改进算法来适应问题，或许主动地让问题来选择算法效果会更好，这种思想叫做算法推荐(选择)。
算法选择最直观的方法是通过反复实验选取性能最优的算法，这对计算资源要求过高且相当耗时；另一种方法是通过专家经验对算法选择进行指导，但也存在很大的缺陷，一方面获取专家经验代价较高，且专家经验不一定可靠；另一方面开发的专家系统缺乏可扩展性，从而降低了系统的灵活性。随着机器学习的快速发展，有学者意识到算法选择实际上是一种学习任务，算法选择在机器学习领域形成了元学习领域。
元学习是指应用机器学习的方法(元算法)寻求问题的特征(元特征)与算法相对性能测度间的映射，从而形成元知识的学习过程。算法选择任务可以视为一种学习任务。在初始阶段，每个候选算法应用到各个数据集，评估其性能，并提取这些数据集的形态特征(元特征)，形成元数据；然后采用适当的元算法对元数据进行元学习，以获得数据集特征与算法性能间的映射关系，形成元知识库。算法的选择需要依靠元知识的指导，当新的数据集加入时，可先对该数据集进行特征提取，然后根据与元知识库的特征匹配程度，选择最优的算法或对算法进行排序。
基于上述背景条件与技术问题，目前亟需一种点云分类算法选择方法，以至少解决现有技术中对点云算法费事费力、选择算法困难与的问题。
发明内容
本申请实施例提供了一种基于元学习的点云分类算法自动选择方法，以至少解决现有技术中对点云算法费事费力、选择算法困难与的问题，以便快速从众多的点云分类算法中选择出最适用于当前场景的算法。
在本申请的一个实施例中，提出了一种基于元学习的点云分类算法自动选择方法，包括：
确定待选点云分类算法集合；
提取点云全局特征，完成点云分类；；
提取点云数据集元特征，构建元数据；
选择元分类器，利用元数据训练元分类模型；
对新场景下的目标点云数据集，进行最优分类算法预测。
作为优选，所述确定待选点云分类算法集合，包括：
所述待选点云分类算法集合从基于特征的机器学习方法和基于深度学习的方法中选择。
作为优选，所述提取点云全局特征，完成点云分类，包括：
根据所选择的点云分类算法，分别构建基于机器学习和深度学习的点云分类算法模型；
根据已构点云分类算法模型，提取点云全局特征，完成点云分类。
作为优选，所述提取点云数据集元特征，构建元数据，包括：
所述点云数据集元特征包括点云类数、点云样本数、点云点数和点云类的熵H(p)
Figure BDA0003138149070000031
其中，n表示点云类数，pi表示第i类点云样本占全体总样本数的概率。
作为优选，所述元数据由数据集元特征和该数据集下的最优分类算法共同构成。
作为优选，最优分类算法的获取过程，包括：
通过点云分类算法模型对点云数据集进行分类；
获取每一分类算法的至少一项参数；
通过上述参数计算并选取性能最优的点云分类算法，作为最优分类算法。
作为优选，最优分类算法的获取过程，所述参数包括每一分类算法的准确度、每一分类算法的运行时间、每一分类算法的F1得分，通过一下公式计算：
Figure BDA0003138149070000041
Figure BDA0003138149070000042
其中，TP代表真正例，TN代表真反例，FP代表假正例，FN代表假反例，F1代表每一分类算法的F1得分，它是模型精确度和召回率的一种加权平均，在数据集不平衡时更能反应算法性能，ACC代表每一分类算法的准确度。
作为优选，所述元分类器配置为，使用随机森林和提升算法，以元数据作为输入，通过交叉验证对元分类模型进行训练，使用准确度来对模型性能进行衡量。
作为优选，所述对新场景下的目标点云数据集，进行最优分类算法预测，包括：构建目标元数据，通过训练好的元分类器预测目标数据集下的最优分类算法。
通过本申请实施例，由于算法存在“偏好”，通过建立元分类器寻求算法表现与数据集元特征之间的“偏好”关系,从而把算法选择问题转化为分类问题。把符合某一类特征的算例归为一类并向其推荐已被证明是“好”的算法，通过针对新场景下的点云数据集，提取数据集元特征，通过元分类器预测出该数据集下的最优分类算法，然后使用该算法对数据集中每一点云数据进行分类。相比于传统的基于反复实验选取性能最优算法的方法和基于专家经验对算法选择进行指导的方法，本发明提供的三维点云分类算法自动选择方法，通过元学习框架学习了不同场景下的最优分类算法，适用于各种复杂的环境，大大节省了模型选择的时间并拥有更准确的选择结果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的点云分类算法模型的内部结构示意图；
图2是根据本申请元数据的结构示意图；
图3是根据本申请实施例的不同类点云的VFH特征示意图；
图4是根据本申请实施例的算法分类准确度和F1得分；
图5是根据本申请实施例点云分类算法选择方法的一种可选的流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例提供了一种基于元学习的点云分类算法自动选择方法，图1为该方法的对应模块示意图，本申请公开的方法包括：
首先确定待选点云分类算法集合，所述待选点云分类算法从基于特征的机器学习方法和基于深度学习的方法中选择；
提取点云全局特征，完成点云分类；根据所选择的点云分类算法，分别构建基于机器学习和深度学习的点云分类算法模型；根据已构点云分类算法模型，提取点云全局特征，完成点云分类。
基于特征的机器学习方法有专用的人工设计的全局特征描述子，其特征提取过程和点云分类过程相互隔离，先完成点云全局特征的提取，然后基于此全局特征进行分类，属于无监督学习过程，其特征提取过程和点云分类过程都仅需执行一次。
基于深度学习的点云分类方法属于有监督学习过程，需要重复执行特征提取和点云分类过程，具体表现为通过反向传播不断优化模型参数，直至模型达到拟合状态。当模型拟合后，我们认为该模型可以很好地完成点云分类任务。
提取点云数据集元特征，构建元数据，点云数据集元特征包括点云类数、点云样本数、点云点数和点云类的熵H(p)
Figure BDA0003138149070000061
其中，n表示点云类数，pi表示第i类点云样本占全体总样本数的概率。构建的元数据由数据集元特征和该数据集下的最优分类算法共同构成。
其结构如图2所示，元数据由数据集元特征和该数据集下的最优分类算法共同构成。
需要对最优分类算法的获取过程进行补充说明，其具体过程如下：使用构建好的的三维点云分类算法模型，对数据集中的三维点云模型进行分类，获取每一分类算法的准确度(Accuracy)，F1得分(F1-score)，运行时间T和等参数。通过这些参数对不同分类算法进行衡量，选取性能最优的点云分类算法。需要注意的是，在最优分类算法的选择过程中，并不会考虑上述所有参数，研究人员可根据不同的需求选择不同的参数。
选择元分类器，元分类器配置为，使用随机森林和提升算法，以元数据作为输入，通过交叉验证对元分类模型进行训练，使用准确度来对模型性能进行衡量。交叉验证是在机器学习建立模型和验证模型时常用的办法，一般被用于评估一个机器学习模型的表现。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。该方法可以有效防止模型过拟合。
最优分类算法的获取过程，包括：
通过点云分类算法模型对点云数据集进行分类；
获取每一分类算法的至少一项参数；
最优分类算法的获取过程，所述参数包括每一分类算法的准确度、每一分类算法的运行时间、每一分类算法的F1得分，通过一下公式计算：
Figure BDA0003138149070000071
Figure BDA0003138149070000072
其中，TP代表真正例，TN代表真反例，FP代表假正例，FN代表假反例，F1代表每一分类算法的F1得分，它是模型精确度和召回率的一种加权平均，在数据集不平衡时更能反应算法性能，ACC代表每一分类算法的准确度。
通过上述参数计算并选取性能最优的点云分类算法，作为最优分类算法。
最后，对新场景下的目标点云数据集，进行最优分类算法预测。包括根据新场景，构建目标元数据，通过训练好的元分类器预测目标数据集下的最优分类算法。训练好的元分类器预测出该数据集下的最优分类算法，然后使用该算法对数据集中每一点云数据进行分类。相比于传统的基于反复实验选取性能最优算法的方法和基于专家经验对算法选择进行指导的方法，基于元学习的三维点云分类算法自动选择方法大大节省了时间，且所选算法分类效果更好。
根据图3-图5，举例如下应用实例：
步骤1、三维点云数据集群构建，它属于数据集准备阶段，本实施例假定数据集在模型训练之前已经准备就绪。
步骤2、确定待选三维点云分类算法集合
本实施例从实时性和简单性角度考虑，选取KNN、SVM、NB 3种机器学习方法作为待选三维点云分类算法，旨在说明点云分类算法自动选择方法的有效性。
K最近邻(KNN，K-NearestNeighbor)是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的K个训练样本，然后基于这K个“邻居”的信息来进行预测。通常，在分类任务中可使用“投票法”，即选择这K个样本中出现次数最多的类别标记作为预测结果。
支持矢量机(SVM，SupportVector Machine)是一种典型的机器学习分类方法，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它能够比感知机更加适合于分类任务。对于给定的训练集，SVM利用间隔最大化求取最优分离超平面，然后基于此最优超平面对输入测试数据进行分类。
朴素贝叶斯NB(Naive Bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。
步骤3、构建点云分类算法模型；
在步骤2中选择了简单的KNN，SVM，NB作为待选的三维点云分类算法，它们属于基于特征的传统机器学习方法，需要首先提取点云全局特征，然后基于此特征对点云进行分类。
本实例提取点云VFH特征作为KNN，SVM，NB分类器的输入，使用VFH特征来对点云进行分类。图3显示了不同种类点云目标的VFH特征，可以明显看出不同种类的点云目标其VFH特征差异很大，可用于点云分类任务。视点特征直方图VFH(Viewpoint FeatureHistogram)是一种广泛应用于点云分类和聚类的特征描述子，它是在快速点特征直方图FPFH(Fast Point Feature Histogram)的基础上演变而来的，良好地继承了FPFH的可靠鉴别能力和快速处理能力。VFH将FPFH的估计对象扩展到了整个点云，以点云中心点和点云表面的所有其他点组成点对作为基本计算单元，增设视点方向和每个点估计法线之间的额外信息，通过统计视点方向和每条法线间角度的直方图来计算点云的VFH特征分量。VFH特征是一个308维数组，它对点云的全局特征进行描述，不同类型的点云之间VFH特征差异较大，通过特征差异，可以有效完成点云的分类识别。而FPFH则对点云的局部特征进行描述，广泛应用于点云的语义分割和零件分割。
步骤4、数据集群格式转换；
在步骤3中构建点云分类算法模型需要提取点云VFH特征，该过程一般需要将点云转化为PCD格式，然后基于C++PCL库完成特征提取。PCD格式是PCL库的官方指定格式，任何基于PCL库的点云处理都将PCD格式作为其标准输入。每个PCD文件都由文件头和数据域两部分组成，文件头用以确定和声明文件中存储的点云数据的某种特性，数据域用于存储点云空间点的XYZ坐标。
三维点云有多种存储格式，比较常用的有LAS，TXT，PLY，PCD等。这些存储格式每个文件只能单独存储一个点云。考虑到数据压缩和批量化处理的问题，很多研究人员将单个三维点云存储为2维数组，并将多个三维点云组成的3维数组存储为.h5文件。
本实施例使用的三维点云数据集取自Modelnet40,它将三维点云及其类标签存储在一个.h5文件中，需要首先将其转化为PCD格式。.h5文件是包含两种对象的容器：数据集(dataset)和组(group)，数据集是类似数组(numpy)的数据集合，组是类似文件夹的容器，用于存放数据集和其他组。Modelnet40的三维点云数据以3维数组的形式存储在data数据集中，类标签数据存储在label数据集中。将数组形式的三维点云数据转化为PCD格式，需要在每一个代表点云的2维数组前加上PCD文件头，并将该数组作为PCD文件的数据域，两者结合形成PCD文件，完成格式转换。本实施例的贡献之一就是完成了数组形式点云与PCD格式点云之间的数据转换。
步骤5、点云VFH特征提取。
将步骤4中转化成的PCD格式点云进行基于PCL库的VFH特征提取。PCL是一个开源C++库，它集成了许多简单的点云处理算法和相关数据结构，通过简单的组合即可完成对点云VFH特征的提取。具体步骤如下：
经过步骤4转换的PCD格式点云只包含空间数据点的XYZ坐标，提取点云的VFH特征需要点云同时包含XYZ坐标和其法线方向，本方法基于Kd-tree对空间每一点进行近邻搜索，通过查询到的邻域点估计点云的法线方向。在得到点云的法线方向后，结合空间XYZ坐标，调用PCL库的VFH特征计算函数即可提取点云的VFH特征。需要注意的是，在对点云某点进行近邻搜索时，需要设置搜索半径，本实施例选择的固定搜索半径为0.04。
步骤6、选择三维点云数据集的最优分类算法。
对于数据集群中的每个三维点云数据集，本实施例基于步骤5的方法提取训练集和测试集的VFH特征，并基于Python sklearn库构建步骤2确定的三维点云分类算法。针对训练集的VFH特征，依次对每一分类算法进行训练，并基于所获训练模型对测试集的VFH特征进行分类，获取每一分类算法的多个性能参数(例如准确度，F1得分，耗费时间等)，通过这些性能参数对不同分类算法进行综合衡量，选取综合评分最高的算法作为我们要选择的算法。本实施例仅将F1得分作为算法选择的衡量指标，选取最优分类算法。
步骤7、提取三维点云数据集元特征。
提取步骤1中构建的数据集的元特征，本实施选取点云类数、点云样本数、点云中点数和点云类的熵作为数据集的元特征。
步骤8、根据数据集元特征与所选最优算法构建元数据。
将步骤7提取的数据集元特征与步骤6选取的最优算法结合形成元数据。
步骤9、选择元分类器，利用元数据训练其模型。
选择恰当的元分类器，利用元数据训练算法分类模型，本实施例选择随机森林RF(Random Forest)作为元分类器。随机森林RF是一种典型的集成学习方案，通过构建并结合多个决策树来完成学习任务。值得注意的是，运用RF作为元分类器需要人为设置许多超参数，这在很大程度上会影响算法性能，本实施例使用RandomizedSearchCV使机器能够自动选择超参数，大大减少了人为因素造成的不好影响。
步骤10、新场景下点云数据集最优分类算法预测。
对于新场景下的点云数据集，通过步骤7的方法提取数据集元特征，送入步骤9训练好的元分类器中，预测出适用于该场景的最优分类算法。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (9)

1.一种基于元学习的三维点云分类算法自动选择方法，其特征在于，包括：
确定待选点云分类算法集合；
提取点云全局特征，完成点云分类；
提取点云数据集元特征，构建元数据；
选择元分类器，利用元数据训练元分类模型；
对新场景下的目标点云数据集，进行最优分类算法预测。
2.根据权利要求1所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述确定待选点云分类算法集合，包括：
所述待选点云分类算法集合从基于特征的机器学习方法和基于深度学习的方法中选择。
3.根据权利要求2所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，提取点云全局特征，完成点云分类，包括：
根据所选择的点云分类算法，分别构建基于机器学习和深度学习的点云分类算法模型；
根据已构建的点云分类算法模型，提取点云全局特征，完成点云分类。
4.根据权利要求3所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述提取点云数据集元特征，构建元数据，包括：
所述点云数据集元特征包括点云类数、点云样本数、点云点数和点云类的熵H(p)
Figure FDA0003138149060000021
其中，n表示点云类数，pi表示第i类点云样本占全体总样本数的概率。
5.根据权利要求4所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述元数据由数据集元特征和该数据集下的最优分类算法共同构成。
6.根据权利要求5所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，最优分类算法的获取过程，包括：
通过点云分类算法模型对点云数据集进行分类；
获取每一分类算法的至少一项参数；
通过上述参数计算并选取性能最优的点云分类算法，作为最优分类算法。
7.根据权利要求6所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，最优分类算法的获取过程，所述参数包括每一分类算法的准确度、每一分类算法的运行时间、每一分类算法的F1得分，通过以下公式计算：
Figure FDA0003138149060000022
Figure FDA0003138149060000023
其中，TP代表真正例，TN代表真反例，FP代表假正例，FN代表假反例，F1代表每一分类算法F1得分，它是模型精确度和召回率的一种加权平均，在数据集不平衡时更能反应算法性能，ACC代表每一分类算法的准确度。
8.根据权利要求1所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述元分类器配置为，使用随机森林和提升算法，以元数据作为输入，通过交叉验证对元分类模型进行训练，使用准确度来对模型性能进行衡量。
9.根据权利要求1所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述对新场景下的目标点云数据集，进行最优分类算法预测，包括：构建目标元数据，通过训练好的元分类器预测目标数据集下的最优分类算法。
CN202110724839.XA 2021-06-29 2021-06-29 基于元学习的三维点云分类算法自动选择方法 Pending CN113486902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110724839.XA CN113486902A (zh) 2021-06-29 2021-06-29 基于元学习的三维点云分类算法自动选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110724839.XA CN113486902A (zh) 2021-06-29 2021-06-29 基于元学习的三维点云分类算法自动选择方法

Publications (1)

Publication Number Publication Date
CN113486902A true CN113486902A (zh) 2021-10-08

Family

ID=77936551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110724839.XA Pending CN113486902A (zh) 2021-06-29 2021-06-29 基于元学习的三维点云分类算法自动选择方法

Country Status (1)

Country Link
CN (1) CN113486902A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092580A (zh) * 2021-11-03 2022-02-25 华东交通大学 一种基于深度学习的三维点云数据压缩方法与系统
CN114241258A (zh) * 2021-12-09 2022-03-25 深圳慕智科技有限公司 一种面向自动驾驶雷达点云数据的扩增与优化方法
CN115269377A (zh) * 2022-06-23 2022-11-01 南通大学 一种基于优化实例选择的跨项目软件缺陷预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092580A (zh) * 2021-11-03 2022-02-25 华东交通大学 一种基于深度学习的三维点云数据压缩方法与系统
CN114092580B (zh) * 2021-11-03 2022-10-21 华东交通大学 一种基于深度学习的三维点云数据压缩方法与系统
CN114241258A (zh) * 2021-12-09 2022-03-25 深圳慕智科技有限公司 一种面向自动驾驶雷达点云数据的扩增与优化方法
CN115269377A (zh) * 2022-06-23 2022-11-01 南通大学 一种基于优化实例选择的跨项目软件缺陷预测方法

Similar Documents

Publication Publication Date Title
CN106096561B (zh) 基于图像块深度学习特征的红外行人检测方法
CN108268838B (zh) 人脸表情识别方法及人脸表情识别系统
Ogunlana et al. Fish classification using support vector machine
CN109165540B (zh) 一种基于先验候选框选择策略的行人搜索方法和装置
CN113486902A (zh) 基于元学习的三维点云分类算法自动选择方法
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN110766042B (zh) 一种基于最大相关最小冗余的多标记特征选择方法及装置
CN112633382A (zh) 一种基于互近邻的少样本图像分类方法及系统
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN111968124B (zh) 基于半监督语义分割的肩部肌骨超声结构分割方法
CN110580499A (zh) 基于众包重复标签的深度学习目标检测方法及系统
Ghadhban et al. Segments interpolation extractor for finding the best fit line in Arabic offline handwriting recognition words
Sun et al. Perceptual multi-channel visual feature fusion for scene categorization
Poostchi et al. Feature selection for appearance-based vehicle tracking in geospatial video
Villamizar et al. Online learning and detection of faces with low human supervision
Mehri et al. A pixel labeling approach for historical digitized books
Ahmed et al. Semantic region of interest and species classification in the deep neural network feature domain
Nacir et al. YOLO V5 for traffic sign recognition and detection using transfer learning
Jerandu et al. Image Classification of Decapterus Macarellus Using Ridge Regression
Langenkämper et al. COATL-a learning architecture for online real-time detection and classification assistance for environmental data
CN113936246A (zh) 基于联合局部特征判别性学习的无监督目标行人重识别方法
CN111311643B (zh) 使用动态搜索的视频目标跟踪方法
CN114170625A (zh) 一种上下文感知、噪声鲁棒的行人搜索方法
Guerrero-Peña et al. Search-space sorting with hidden Markov models for occluded object recognition
Kaur et al. Enhance satellite image classification based on fuzzy clustering and Marr-Hildreth algorithm

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