CN113688700A - 基于分层注意力采样策略的真实域三维点云物体识别算法 - Google Patents
基于分层注意力采样策略的真实域三维点云物体识别算法 Download PDFInfo
- Publication number
- CN113688700A CN113688700A CN202110910226.5A CN202110910226A CN113688700A CN 113688700 A CN113688700 A CN 113688700A CN 202110910226 A CN202110910226 A CN 202110910226A CN 113688700 A CN113688700 A CN 113688700A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- sampling
- dimensional
- attention
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 17
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000012886 linear function Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 239000007787 solid Substances 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling 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
- 230000008447 perception Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (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)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于三维点云数据处理技术领域,具体为一种基于分层注意力采样策略的真实域三维点云物体识别算法。本发明算法使用深度网络,具体包括三层动态边缘卷积模块、二层分层注意力模块、一个分类器;其中,动态边缘卷积模块对每个点的特征进行学习;并通过动态融合邻近点的特征信息,将每个点映射到一个高维特征空间中;分层注意力采样模块在特征空间中根据注意力等分机制选出固定数量的最高得分点作为采样点,并聚合采样点的局部ka邻近点来更新采样点的特征;最后经过分类器得到实例物体的类别预测概率;并将预测概率值最大的类别视为该实例的预测类别。本发明鲁棒性强、识别精度高,可以克服传统点云处理算法在识别真实域点云物体时的局限性。
Description
技术领域
本发明属于三维点云数据处理技术领域,具体涉及一种基于分层注意力采样策略的真实域三维点云物体识别算法。
背景技术
三维点云物体识别是计算机视觉技术中一项基础任务,在同步定位与测绘(SLAM)、机器人导航、无人驾驶等场景中广泛应用。相比于网格(mesh)、RGB-D等复杂三维数据,点云数据具有结构简单、易于获取等优点,是一种常用的三维形状表示数据形式。近年来,强大的计算资源和大规模标注数据的兴起,推动了基于深度学习技术的三维点云物体识别算法的快速发展。
基于深度学习的点云物体识别方法大致可分为两类。第一类是基于转换的方法,即将不规则的点云数据转换为结构化形式:如将三维点云投影成多张规则的二维视图、或对点云数据进行体素化转换。不规则点云数据经过转换后,可通过传统的卷积神经网络(CNNs)提取物体的形状特征,最后实现对不同的物体分类识别。然而,这些方法在转换阶段存在信息缺失和计算量大的问题。第二类是基于点处理的方法,即针对欧式空间中原始点云设计深度网络,提取物体的特征。这类方法通过构建多层感知,学习每个点特征属性,并通过置换不变特性的全局池化函数聚合全局特征。此外,为了进一步融合局部特征信息,通常还会使用最远点采样(FPS)策略和球查询算法,以启发式的方式进一步探索了局部几何关系,或是引入动态图连接、软核卷积等方式增加全局特征的区别度。
但是这些方法是对理想点云物体所设计的,即点云均匀地从合成CAD对象的表面采样。这种点云数据通常是完整的,且均匀分布。然而,在实际应用中,由于扫描仪错误或背景扰动,从真实域中采集的点云是有噪声的、不完整的,且位姿差异大,使得现有的许多方法对真实域点云物体识别泛化性差,精度低等问题。
发明内容
本发明的目的在于提供一种泛化性好、精度高的基于分层注意力采样策略的真实域三维点云物体识别算法,以克服传统深度学习算法在识别真实域点云物体时,对背景扰动处理的局限性。
背景噪声点通常会引入与物体不相关的几何结构,因此,减少背景扰动带来的干扰是真实域点云识别的关键问题。为此,本发明提出了一种基于分层注意力采样策略的真实域三维点云物体识别算法,使深度网络在推理阶段能区分背景和前景对像,以提取更有效的特征信息;其中,采用多层网络结构,具体包括三层动态边缘卷积模块、二层分层注意力模块、一个分类器;算法具体步骤如下(如图1所示):
(1)首先,对输入大小为N×3的实例点云数据(N×3中,N为组成点云实例的点数,3为欧式空间的三维坐标信息,其余类似),第一层网络的动态边缘卷积模块将每个点映射到一个64维的特征空间中,得到N×64的高维特征数据;然后经最大池化操作,生成第一个实例表征向量;接着第一层网络的分层注意力模块在该特征空间中依据注意得分采样N/2个点,并通过聚集其邻近点更新采样点的特征,得到(N/2)×64的高维特征数据;然后再经最大池化操作,生成第二个实例表征向量;
(2)然后,第二层网络的动态边缘卷积模块进一步将采样点映射到一个128维的特征空间中,得到(N/2)×128的高维特征数据;然后经最大池化操作,生成第三个实例表征向量;接着第二层网络的分层注意力模块在该特征空间中依据注意得分采样N/4个点,并通过聚集其邻近点更新采样点的特征,得到(N/4)×256的高维特征数据,然后再经最大池化操作,生成第四个实例表征向量。
(3)最后,第三层网络的动态边缘卷积模块进一步将采样点映射到一个512维的特征空间中,得到(N/4)×512的高维特征数据;然后经最大池化操作,生成第五个实例表征向量;将各层得到的实例表征向量拼接成一个1024维的全局特征向量,输入到分类器网络中,即可得到该实例物体的类别预测概率。并将预测概率值最大的类别视为该实例的预测类别。
本发明涉及的动态边缘卷积模块和分层注意力采样模块,进一步介绍如下:
动态边缘卷积模块(DEConv)
定义在欧氏空间中的原始输入点只包含三维坐标信息,这使得实例上的点和非实例上的点难以区分。为了区分前景实例点和背景非实例点,本发明提出使用动态边缘卷积模块对每个点的特征进行学习,以提高点云中每个点的信息量和判别度。该模块通过动态融合邻近点的特征信息,将每个点映射到一个语义相关的高维特征空间中,计算流程如图2所示,具体地:
步骤1:输入一个包含M个点的集合v={x1,x2,…,xM},为其定义一个k邻近(k-NN)连接图用来表示集合v中的每个点与其k邻近点的连接关系,其中点xi的特征维度为D,i=1,…,M,ε表示图中各点的连接关系矩阵。
步骤2:在确定连接关系图后,将点xi和其连接邻近点xij的边缘特征表示为eij=fθ([xi,xij-xi]),其中,j=1,…,k;fθ(·)是一个参数可学习的非线性函数,具体由一层卷积核大小为1×1的卷积网络实现;[.,.]表示拼接操作;xij-xi是xij和xi之间的相对位置。
由于在该卷积学习过程中,点xi的特征更新是依据特征空间中与其k邻近点的边缘特征实现,而k邻近点连接图的连接矩阵会通过前一层的输出进行动态更新,故称其为动态边缘卷积。该卷积操作更有利于在更高层次特征空间中的非局部扩散,使语义相近的点在特征空间中更加接近,从而更能采样出与物体相关的前景点。
分层注意力采样模块
为了减少背景附加点的干扰,尽可能融合前景实例点的信息,本发明提出了一种新的分层注意力采样模块。该模块在特征空间中,根据注意力等分机制,选出固定数量的最高得分点作为采样点,并聚合采样点的局部ka邻近点来更新采样点的特征,详细计算流程图如图3所示,具体地:
其中,为标量,为余弦相似度度量函数,相似度越高表示注意力得分越高,落在前景的可能性越高;φ,γ为两个参数可学习的非线性函数,分别由两个独立的多层感知机MLP函数实现,它可将点和全局特征映射到子特征空间,以便计算相似度得分。
本发明提出的基于分层注意力采样策略的真实域三维点云物体识别算法,具有鲁棒性强、识别精度高的优点,可以克服传统点云处理算法在识别真实域点云物体时,对背景扰动处理的局限性。在给出的实施例中,本算法基于ScanObjectNN数据集进行了性能测试,具体对比数据如表1和图4所示。在有附加背景扰动的真实域点云物体分类任务中,本算法实现了79.6%的总体分类准确率和75.5%的平均分类准确率,相比传统点云识别算法总体分类准确率提高了15%-1.5%,并显著提高了盒子、显示器和枕头等类别的平均识别准确率;此外,在无附加背景扰动的真实域点云物体分类任务中,本算法各项指标均优于PointNet、PointNet++、PointCNN识别算法。
附图说明
图1为本发明算法具体流程图。
图2为动态边缘卷积流程图。
图3为分层注意力采样策略流程图。
图4为实施例中在没有背景干扰时的分类结果。
具体实施方式
下面通过具体例子进一步介绍本发明。
网络结构:
本发明算法涉及的网络结构由有三层网络和一个分类器组成,各层的结构和参数设置如下:
第一层网络由一个动态边缘卷积模块、一个分层注意力采样模块和两个最大池化操作组成。其中,动态边缘卷积模块:输入为1024×3的实例点云数据(1024表示组成点云的点数,3表示欧式空间的三维坐标信息);构建k-NN图时,邻近点数k设置为32;fθ由一层卷积核大小为1×1的卷积网络实现;输出大小为1024×64的特征数据(64为特征维度)。分层注意力采样模块:输入为1024×64的特征数据;采样率r设置为0.5;φ,γ分别由两个独立的多层感知机MLP函数实现;邻近点个数ka设置为32;输出大小为512×64的特征数据(64为特征维度)。
第二层网络结构的实现和参数设置与第一层网络相同。其中动态边缘卷积模块:输入为512×64的特征数据;输出大小为512×128的特征数据(128为特征维度)。分层注意力采样模块:输入为512×128的特征数据;输出大小为256×256的特征数据(256为特征维度)。
第三层网络由一个动态边缘卷积模块和一个最大池化操作组成。其中动态边缘卷积模块:输入为256×256的特征数据;构建k-NN图时,邻近点数k设置为16;输出大小为256×512的特征数据(512为特征维度)。
对每一层的实例表征向量进行拼接,即可得到一个1×1024的全局特征。接着将该特征输入到一个分类器中,该分类器由三个全连接层组成,每一层的输出维度分别为512,256,C。其中C为数据集中的总类别数,在对ScanObjectNN数据集测试时,C设置为15;第一、二层全连接层后接一个归一化操作和ReLU激活函数,以增加网络的稳定性和非线性。
实验验证:
针对以上的实施例,我们在ScanObjectNN数据集上对算法的性能进行验证和对比,实验设置和结果如下:
(1)实验设置
算法使用Adam作为训练的优化器;初始学习率为0.001;学习率每50个迭代减半。算法端到端训练250个迭代,每次迭代的批数据量大小为32。所有实验均在一台NVIDIA GTX2080Ti GPU上进行。我们遵循ScanObjectNN数据集中提出的训练集和测试集的划分,用训练集训练网络,用测试集测试网路的性能。每个点云实例随机选择1024个点,每个点只包含它的(x,y,z)坐标。此外,还使用随机旋转和抖动技术来增强训练数据。
(2)实验结果
表1展示了带有附加背景噪声的分类结果。本发明提出的算法实现了79.6%的总体分类准确率和75.5%的平均分类准确率,优于其他先进的点云识别算法,并显著提高了盒子、显示器和枕头等类别的平均识别准确率,体现了本算法鲁棒性强、识别精度高的优点。
图4展示了在没有背景干扰时的分类结果。相比PointNet、PointNet++、PointCNN识别算法,本发明提出的基于分层注意力采样的点云识别算法在各项指标均取得了显著的改进,进一步验证了本发明提出算法的优越性。
表1
为了说明本发明的内容及实施方法,本说明书给出了一个具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围,而是帮助理解本发明所述方法。本领域的技术人员应理解:在不脱离本发明及其所附权利要求的精神和范围内,对最佳实施例步骤的各种修改、变化或替换都是可能的。因此,本发明不应局限于最佳实施例及附图所公开的内容。
Claims (3)
1.一种基于分层注意力采样策略的真实域三维点云物体识别算法,其特征在于,采用多层网络结构,包括三层动态边缘卷积模块、二层分层注意力模块、一个分类器;算法具体步骤如下:
(1)首先,对输入大小为N×3的实例点云数据,第一层网络的动态边缘卷积模块将每个点映射到一个64维的特征空间中,得到N×64的高维特征数据;然后经最大池化操作,生成第一个实例表征向量;接着第一层网络的分层注意力模块在该特征空间中依据注意得分采样N/2个点,并通过聚集其邻近点更新采样点的特征,得到(N/2)×64的高维特征数据;然后再经最大池化操作,生成第二个实例表征向量;这里,N×3中,N为组成点云实例的点数,3为欧式空间的三维坐标信息;
(2)然后,第二层网络的动态边缘卷积模块进一步将采样点映射到一个128维的特征空间中,得到(N/2)×128的高维特征数据;然后经最大池化操作,生成第三个实例表征向量;接着第二层网络的分层注意力模块在该特征空间中依据注意得分采样N/4个点,并通过聚集其邻近点更新采样点的特征,得到(N/4)×256的高维特征数据,然后再经最大池化操作,生成第四个实例表征向量;
(3)最后,第三层网络的动态边缘卷积模块进一步将采样点映射到一个512维的特征空间中,得到(N/4)×512的高维特征数据;然后经最大池化操作,生成第五个实例表征向量;将各层得到的实例表征向量拼接成一个1024维的全局特征向量,输入到分类器网络中,即得到该实例物体的类别预测概率;并将预测概率值最大的类别视为该实例的预测类别。
2.根据权利要求1所述的基于分层注意力采样策略的真实域三维点云物体识别算法,其特征在于,所述动态边缘卷积模块,用于对每个点的特征进行学习,以提高点云中每个点的信息量和判别度;具体通过动态融合邻近点的特征信息,将每个点映射到一个语义相关的高维特征空间中,计算流程为:
步骤1:输入一个包含M个点的集合v={x1,x2,…,xM},为其定义一个k邻近(k-NN)连接图用来表示集合v中的每个点与其k邻近点的连接关系,其中点xi的特征维度为D,i=1,…,M,ε表示图中各点的连接关系矩阵;
步骤2:在确定连接关系图后,将点xi和其连接邻近点xij的边缘特征表示为eij=fθ([xi,xij-xi]),其中,j=1,…,k;fθ(·)是一个参数可学习的非线性函数,具体由一层卷积核大小为1×1的卷积网络实现;[.,.]表示拼接操作;xij-xi是xij和xi之间的相对位置;
3.根据权利要求2所述的基于分层注意力采样策略的真实域三维点云物体识别算法,其特征在于,所述分层注意力采样模块,用于在特征空间中,根据注意力等分机制,选出固定数量的最高得分点作为采样点,并聚合采样点的局部ka邻近点来更新采样点的特征,具体计算流程为:
其中,为标量,为余弦相似度度量函数,相似度越高表示注意力得分越高,落在前景的可能性越高;φ,γ为两个参数可学习的非线性函数,分别由两个独立的多层感知机MLP函数实现,它将点和全局特征映射到子特征空间,以便计算相似度得分;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110910226.5A CN113688700B (zh) | 2021-08-10 | 2021-08-10 | 基于分层注意力采样策略的真实域三维点云物体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110910226.5A CN113688700B (zh) | 2021-08-10 | 2021-08-10 | 基于分层注意力采样策略的真实域三维点云物体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688700A true CN113688700A (zh) | 2021-11-23 |
CN113688700B CN113688700B (zh) | 2024-04-26 |
Family
ID=78579255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110910226.5A Active CN113688700B (zh) | 2021-08-10 | 2021-08-10 | 基于分层注意力采样策略的真实域三维点云物体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688700B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860668A (zh) * | 2020-07-27 | 2020-10-30 | 辽宁工程技术大学 | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 |
CN112488210A (zh) * | 2020-12-02 | 2021-03-12 | 北京工业大学 | 一种基于图卷积神经网络的三维点云自动分类方法 |
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 |
CN113095172A (zh) * | 2021-03-29 | 2021-07-09 | 天津大学 | 一种基于深度学习的点云三维物体检测方法 |
US20210232813A1 (en) * | 2020-01-23 | 2021-07-29 | Tongji University | Person re-identification method combining reverse attention and multi-scale deep supervision |
CN113221945A (zh) * | 2021-04-02 | 2021-08-06 | 浙江大学 | 基于口腔全景片和双重注意力模块的龋齿识别方法 |
-
2021
- 2021-08-10 CN CN202110910226.5A patent/CN113688700B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210232813A1 (en) * | 2020-01-23 | 2021-07-29 | Tongji University | Person re-identification method combining reverse attention and multi-scale deep supervision |
CN111860668A (zh) * | 2020-07-27 | 2020-10-30 | 辽宁工程技术大学 | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 |
CN112488210A (zh) * | 2020-12-02 | 2021-03-12 | 北京工业大学 | 一种基于图卷积神经网络的三维点云自动分类方法 |
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 |
CN113095172A (zh) * | 2021-03-29 | 2021-07-09 | 天津大学 | 一种基于深度学习的点云三维物体检测方法 |
CN113221945A (zh) * | 2021-04-02 | 2021-08-06 | 浙江大学 | 基于口腔全景片和双重注意力模块的龋齿识别方法 |
Non-Patent Citations (3)
Title |
---|
GUANGMING WANG 等: "Hierarchical Attention Learning of Scene Flow in 3D Point Clouds", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, pages 5168 - 5181 * |
钟诚;周浩杰;韦海亮;: "一种基于注意力机制的三维点云物体识别方法", 《计算机技术与发展》, vol. 30, no. 4, pages 41 - 45 * |
雷鹏程;刘丛;唐坚刚;彭敦陆;: "分层特征融合注意力网络图像超分辨率重建", 《中国图象图形学报》, pages 1773 - 1786 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688700B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489358B (zh) | 一种基于深度学习的三维点云语义分割方法 | |
CN111259979B (zh) | 一种基于标签自适应策略的深度半监督图像聚类方法 | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
CN115578426B (zh) | 一种基于稠密特征匹配的室内服务机器人重定位方法 | |
Xu et al. | Topo-boundary: A benchmark dataset on topological road-boundary detection using aerial images for autonomous driving | |
Liu et al. | 3D Point cloud analysis | |
CN108985298B (zh) | 一种基于语义一致性的人体衣物分割方法 | |
CN112819080B (zh) | 一种高精度通用的三维点云识别方法 | |
CN112529068B (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
CN113989340A (zh) | 一种基于分布的点云配准方法 | |
Jiang et al. | Local and global structure for urban ALS point cloud semantic segmentation with ground-aware attention | |
CN115147599A (zh) | 一种面向遮挡和截断场景的多几何特征学习的物体六自由度位姿估计方法 | |
CN116310098A (zh) | 一种基于注意力机制与可变卷积深度网络的多视图三维重建方法 | |
WO2023201681A1 (zh) | 面向粗标签的语义分割模型的训练方法和装置 | |
CN116310385A (zh) | 3d点云数据中的单一数据集域泛化方法 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN116258903A (zh) | 基于层次化图卷积网络和空间注意力机制的三维点云数据分类方法 | |
CN113628329B (zh) | 一种零样本草图三维点云检索方法 | |
CN114358246A (zh) | 三维点云场景的注意力机制的图卷积神经网络模块 | |
Wang et al. | One Class One Click: Quasi scene-level weakly supervised point cloud semantic segmentation with active learning | |
Chen et al. | Point-attention Net: a graph attention convolution network for point cloudsegmentation | |
WO2023206964A1 (zh) | 一种行人重识别方法、系统、设备及计算机可读存储介质 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN116844004A (zh) | 一种面向数字孪生场景的点云自动语义化建模方法 | |
CN116386042A (zh) | 一种基于三维池化空间注意力机制的点云语义分割模型 |
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 |