CN113850304A - 一种高准确率的点云数据分类分割改进算法 - Google Patents

一种高准确率的点云数据分类分割改进算法 Download PDF

Info

Publication number
CN113850304A
CN113850304A CN202111043438.4A CN202111043438A CN113850304A CN 113850304 A CN113850304 A CN 113850304A CN 202111043438 A CN202111043438 A CN 202111043438A CN 113850304 A CN113850304 A CN 113850304A
Authority
CN
China
Prior art keywords
point cloud
pooling
cloud data
classification
algorithm
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
Application number
CN202111043438.4A
Other languages
English (en)
Other versions
CN113850304B (zh
Inventor
史怡
魏东
宋强
李美美
张立清
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.)
Shandong High Brightness Electromechanical Technology Co ltd
University of Science and Technology Liaoning USTL
Original Assignee
Shandong High Brightness Electromechanical Technology Co ltd
University of Science and Technology Liaoning USTL
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 Shandong High Brightness Electromechanical Technology Co ltd, University of Science and Technology Liaoning USTL filed Critical Shandong High Brightness Electromechanical Technology Co ltd
Priority to CN202111043438.4A priority Critical patent/CN113850304B/zh
Publication of CN113850304A publication Critical patent/CN113850304A/zh
Application granted granted Critical
Publication of CN113850304B publication Critical patent/CN113850304B/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
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

一种高准确率的点云数据分类分割改进算法，涉及高维点云数据处理技术领域，包括以下步骤：步骤一：输入点云，采集分散的点云数据；步骤二：空间转换网络进行坐标对齐；步骤三：动态图卷积模块；步骤四：DHT差异性池化模块；步骤五：全连接层；步骤六：Softmax多分类；步骤七：输出得分，完成分类任务，本发明采用差异性并联池化通道，在此基础上，将动态图卷积与哈特莱转换及差异性并联池化融合应用于点云数据分类分割实验中，利用测试结果的数据对比来验证改进后的点云数据分类分割方法较之间方法的准确率更高。

Description

一种高准确率的点云数据分类分割改进算法
技术领域
本发明涉及高维点云数据处理技术领域，特别涉及一种高准确率的点云数据分类分割改进算法。
背景技术
点云数据处理在测绘、自动驾驶、农业、规划设计、医疗等方面有着重要作用。在目前的相关方法中，对点云数据的分类分割方法主要有三种：第一种是3D 物体不同“视角”所得到的2D 渲染图，将这些2D图像通过深度学习网络进行特征学习，再通过量化视角的差异，根据视角的差异得分将视角集合划分为若干组，最后，通过组内池化和跨组融合后再用于预测；第二种是将每个点云映射到体素化空间上，然后通过两个三维卷积层学习体素级的特征；第三种是采用神经网络，直接在原始点云数据上进行处理。前两种方法由于需要转换到别的方式，数据处理存在的时间长、准确率不高；第三种减少了信息的损失，但在原始数据上直接对点处理忽略了点与点之间的拓扑信息，导致准确率不高。
综上所述，现有的点云数据的分类分割方法存在的问题点是点云数据处理存在的时间长、准确率不高。
发明内容
针对以上缺陷，本发明的目的是提供一种高准确率的点云数据分类分割改进算法，此高准确率的点云数据分类分割改进算法是基于神经网络，采用融合动态图卷积和DHT差异性池化算法的方法，在提取局部特征时，构建点与点的相互关系，获得更多点与点之间的相关信息，在提取全局特征时，改变池化方法保留更多信息，减少信息损失，提高点云分类分割任务的准确率。
为了实现上述目的，本发明的技术方案是：
一种高准确率的点云数据分类分割改进算法，包括以下步骤：步骤一：输入点云，采集分散的点云数据；步骤二：空间转换网络进行坐标对齐，将步骤一采集到的分散的点云数据通过与空间转换网络训练得到的空间转换矩阵进行坐标对齐，得到可以输入网络的数据格式的点云；步骤三：动态图卷积模块，所述动态图卷积模块中存储有动态图卷积算法，所述动态图卷积算法可以将步骤二获得的所述数据格式的点云通过K-NN的方式获得获得拓扑结构，再对拓扑结构构成图，对该图结构经过图卷积和最大池化，获得每一个采样点与周围点的特征关系；步骤四：DHT差异性池化模块，所述DHT差异性池化模块中存储有DHT差异性池化算法，所述DHT差异性池化算法可以将步骤三获得的特征关系经过离散哈特莱转换到想要的维度，再通过并联的最大池化和均值池化，将并联通道的特征融合作为全局特征；步骤五：全连接层，步骤四得到的特征为高维特征，将步骤四得到的特征通过全连接层降维得到低维特征。步骤六：Softmax多分类，将步骤五输出的特征作为最终特征，将此特征作为得分，通过Softmax回归分类函数进行分类；步骤七：输出得分，完成分类任务。
其中，步骤一中所述的点云数据通过激光雷达设备采集。
其中，步骤三所述的动态图卷积算法包括以下流程：通过k-NN找到采样点的邻域点、获得图结构、MLP多层感知机、获得边信息、最大池化聚合、输出特征。
其中，所述步骤四中DHT差异性池化算法包括以下流程：输入特征、离散哈特莱转换、中心化、剪裁目标大小、哈特莱逆转换，所述哈特莱逆转换包括并联的最大池化通道和均值池化通道，所述最大池化通道和所述均值池化通道输出端融合特征，然后进行输出。
其中，所述步骤五中全连接层包括三个神经元不同连接层。
其中，其特征在于，所述Softmax回归分类函数表达式：
Figure DEST_PATH_IMAGE002
。
采用了上述技术方案后，本发明的有益效果是：
本发明基于神经网络，采用融合动态图卷积算法和DHT差异性池化算法的方法，极大提升了点云数据分类分割的准确率。在获得局部特征时，传统神经网络将每个点云作为独立点进行卷积处理，忽略了相关点之间的联系，本发明为克服该缺陷，采用动态图卷积算法构建相关点的拓扑结构图进行图卷积处理，提高了对点云数据的表征能力；同时，传统神经网络方法直接使用最大池化获得全局特征，本发明算法先使用哈莱特转换减少了直接池化的损失，减小了直接池化的误差，再通过设计的差异性并联池化通道，弥补了单一最大池化通道的信息局限，保留了不同的特征信息，使池化后的特征更加丰富。
综上所述，本发明高准确率的点云数据分类分割改进算法解决了现有技术中点云数据处理存在的时间长、准确率不高的技术问题，本发明采用差异性并联池化通道，在此基础上，将动态图卷积与哈特莱转换及差异性并联池化融合应用于点云数据分类分割实验中，利用测试结果的数据对比来验证改进后的点云数据分类分割方法较之间方法的准确率更高。
附图说明
图1是本发明一种高准确率的点云数据分类分割改进算法的流程图；
图2是卷积过程示意图；
图3是动态图卷积算法流程图；
图4是DHT差异性池化算法流程图。
具体实施方式
下面结合附图和实施例，进一步阐述本发明。
本说明书中涉及到的方位均以附图所示方位为准，仅代表相对的位置关系，不代表绝对的位置关系。
如图1、图2、图3和图4共同所示，一种高准确率的点云数据分类分割改进算法，其特征在于，包括以下步骤：
步骤一：输入点云，采集分散的点云数据；通过激光雷达等设备采集分散的点云数据。
步骤二：空间转换网络进行坐标对齐。
将步骤一采集到的分散的点云数据通过与Transform Net空间转换网络训练得到的空间转换矩阵进行坐标对齐，得到可以输入网络的数据格式的点云。
Transform Net空间转换网络用于将不同旋转平移的原始点云和点云特征进行规范化，它的主要作用是学习得出变化矩阵来对输入的点云或特征进行规范化处理。
Transform Net空间转换网络经过升维卷积、最大池化、降维卷积实现维度的转换，输出为3*3的空间转换矩阵。卷积运算的数学表达式为（1）所示：
Figure DEST_PATH_IMAGE004
（1）
式中：
Figure DEST_PATH_IMAGE006
表示点云输入向量，其维度为（
Figure DEST_PATH_IMAGE008
,
Figure DEST_PATH_IMAGE010
），
Figure 899990DEST_PATH_IMAGE008
表示点云中采样点的数量，
Figure DEST_PATH_IMAGE012
表示目标采样点的维度；y表示经过卷积后的点云数据大小；
Figure DEST_PATH_IMAGE014
激活函数；
Figure DEST_PATH_IMAGE016
表示卷积核，大小为1*1；b表示偏置。
步骤三：动态图卷积模块，动态图卷积模块中存储有动态图卷积算法。动态图卷积算法可以将步骤二获得的数据格式的点云通过K-NN的方式获得获得拓扑结构，再对拓扑结构构成图，对该图结构经过图卷积和最大池化，获得每一个采样点与周围点的特征关系。
动态图卷积算法包括以下流程：通过k-NN找到采样点的邻域点、获得图结构、MLP多层感知机、获得边信息、最大池化聚合、输出特征。
工作流程如下：输入步骤二获得的数据格式的点云，受图卷积神经网络的启发，通过k-NN找到采样点的邻域点，获得拓扑结构，对所有目标采样点，依次遍历每一个采样点，构成邻域范围，获得图结构，再通过共享权值的多层感知机MLP来获得边信息，有效保留了采样点之间的相互关系；最后将这些特征采用最大池化的方式降维到一维，以此方法实现所有目标点的一次更新，重复该步骤获得不同的图结构完成不同的图卷积为动态图卷积，以动态图卷积获得点云数据的局部特征。
动态图卷积的目标为图结构，图结构是由节点和边构成的不规则结构。本发明中图结构的节点为目标采样点及其邻域点，图结构中的边为目标采样点及其邻域点之间的距离，计算边信息的数学表达式为（2）所示：
Figure DEST_PATH_IMAGE018
（2）
式中：
Figure DEST_PATH_IMAGE020
表示被可学习的参数
Figure DEST_PATH_IMAGE022
的集合参数化的一系列非线性函数二维输入向量；
Figure DEST_PATH_IMAGE024
目标采样点
Figure DEST_PATH_IMAGE026
邻域内的边信息；
Figure 50087DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE028
为目标采样点与其邻域点。
图卷积神经网络算法：
传统的神经网络算法目标是图像、文本、语音等规则的数据，而图卷积神经网络算法的目标是非结构化的数据，这类数据用传统的神经网络算法难以建模，图卷积神经网络算法通过神经网络来聚合每个节点及其周围节点的信息，完成每个节点的更新。每个目标点的更新为聚合其边信息，由于点云数据的无序性，所以选择采用最大池化进行聚合，所有目标点全部更新一遍为完成一层图卷积更新，随着每一层的更新重新构成图结构，再重新使用图卷积，完成动态图卷积。图卷积神经网络算法的公式可以表示如下：
Figure DEST_PATH_IMAGE030
（3）
式中：
Figure DEST_PATH_IMAGE032
表示节点
Figure DEST_PATH_IMAGE034
在第
Figure DEST_PATH_IMAGE036
层的特征；
Figure DEST_PATH_IMAGE038
表示非线性激活函数，
Figure DEST_PATH_IMAGE040
表示节点
Figure 970769DEST_PATH_IMAGE034
的邻域节点；
Figure DEST_PATH_IMAGE042
表示权值；
Figure DEST_PATH_IMAGE044
表示偏置值。
动态图卷积算法流程：
（1）通过k-NN找到采样点的邻域点，通过k近邻的方式获得获得图结构。第一步：计算目标采样点与点云数据中所有采样点的距离，可以是欧式距离、余弦距离等，比较常用的是较为简单的欧式距离；第二步：找出上步计算的距离中最近的k个对象，作为目标采样点的邻居，公式可以表示如下：
Figure DEST_PATH_IMAGE046
（4）
式中：
Figure DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE050
为目标采样点与要测量的其他点；
Figure 796337DEST_PATH_IMAGE012
为该点的维度；
Figure DEST_PATH_IMAGE052
为计算后的欧氏距离。
（2）通过MLP多层感知机，获得边信息。计算边缘信息，计算公式可以表示如下：
Figure 204185DEST_PATH_IMAGE018
（5）
式中：
Figure 698751DEST_PATH_IMAGE020
表示被可学习的参数
Figure 762522DEST_PATH_IMAGE022
的集合参数化的一系列非线性函数二维输入向量；
Figure 381329DEST_PATH_IMAGE024
目标采样点
Figure 722312DEST_PATH_IMAGE026
邻域内的边信息。
（3）最大池化聚合，输出特征。
单一更新目标点特征操作，公式表示如下：
Figure DEST_PATH_IMAGE054
（6）
式中：
Figure DEST_PATH_IMAGE056
表示最大池化操作；
Figure DEST_PATH_IMAGE058
表示点云数据的大小；
Figure DEST_PATH_IMAGE060
表示目标采样点
Figure 200829DEST_PATH_IMAGE026
经过一次更新后的特征。
所有目标点动态更新，公式表示如下：
Figure DEST_PATH_IMAGE062
（7）
式中：
Figure DEST_PATH_IMAGE064
表示目标采样点更新的层数。
步骤四：DHT差异性池化模块，DHT差异性池化模块中存储有DHT差异性池化算法，DHT差异性池化算法可以将步骤三获得的特征关系经过离散哈特莱转换转换后从空间域转换到频域；再进行中心化将高值固定在频域中心；然后裁剪到设定维度；最后经过逆变换从频域转换到空间域，转换后的特征通过并联的最大池化通道和均值池化通道，获得维度相同的特征，但这两个特征保留不同的信息；最后将并联通道的特征融合作为全局特征。
此方法获得的全局特征损失的信息较少，包含的信息更加丰富。
DHT差异性池化算法包括以下流程：输入特征、离散哈特莱转换、中心化、剪裁目标大小、哈特莱逆转换，所述哈特莱逆转换包括并联的最大池化通道和均值池化通道，所述最大池化通道和所述均值池化通道输出端融合特征，然后进行输出。
并联池化通道一条选择最大池化，最大池化是将目标维度的数据取最大值作为该维度的特征值，并联池化通道另一条选择均值池化，均值池化是将目标维度的数据取均值作为该维度的特征值。
将特征采用离散哈莱特转换从空间域转换到频域，转换到频域的远点的周围区域包含了最高值，但由于其周期性，频域的4个角包也会出现类似的高值，所以要再将其中心化，接着按照想要的维度裁剪中心大小，最后再利用离散哈莱特逆变换转换回空间域。
（1）离散哈特莱转换，公式表示如下：
Figure DEST_PATH_IMAGE066
（8）
式中：
Figure 771137DEST_PATH_IMAGE040
和
Figure 304887DEST_PATH_IMAGE034
分别表示
Figure 500376DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE068
方向的频率，
Figure DEST_PATH_IMAGE070
。
（2）中心化，公式表示如下：
Figure DEST_PATH_IMAGE072
（9）
式中：
Figure DEST_PATH_IMAGE074
表示转换前空间域的特征大小；
Figure 415373DEST_PATH_IMAGE040
和
Figure 578370DEST_PATH_IMAGE034
分别表示
Figure 650231DEST_PATH_IMAGE006
和
Figure 965806DEST_PATH_IMAGE068
方向的频率；
Figure DEST_PATH_IMAGE076
表示转换后空间域的特征大小。
（3）离散哈特莱逆转换，公式表示如下：
Figure DEST_PATH_IMAGE078
（10）
差异性池化算法：
（1）最大池化
由于点云数据的无序性，所以并联池化通道要选择对称函数。对于输入点云X ,最大池化的全局特称向量为：
Figure DEST_PATH_IMAGE080
（11）
式中：
Figure DEST_PATH_IMAGE082
表示对输入数据经过深度网络映射；max 表示取最大值；
Figure DEST_PATH_IMAGE084
表示特征向量长度。
（2）均值池化
对于输入点云X，均值池化的全局特称向量为：
Figure DEST_PATH_IMAGE086
（12）
式中：
Figure DEST_PATH_IMAGE088
表示取均值。
（3）差异性池化
最大池化和均值池化可以获得不同的特征信息，再将不同的特征向量并联得到全局特征，表示为：
Figure DEST_PATH_IMAGE090
（13）
式中：
Figure DEST_PATH_IMAGE092
表示合并后的高层全局特征，
Figure DEST_PATH_IMAGE094
表示concat。当特征向量长度
Figure DEST_PATH_IMAGE096
时，此时
Figure DEST_PATH_IMAGE098
,差异性池化融合后的全局特征向量的维度为1024。
步骤五：全连接层，步骤四得到的特征为高维特征，将步骤三得到的特征通过通过三个神经元不同的全连接层，逐步降维得到低维特征。
全连接层公式表示如下：
Figure DEST_PATH_IMAGE100
（14）
式中：f表示激活函数；n为
Figure DEST_PATH_IMAGE102
层的神经元个数；l表示当前层数；
Figure DEST_PATH_IMAGE104
表示第
Figure 299309DEST_PATH_IMAGE102
层第j个单元与第l层第i个单元之间的连接参数；
Figure DEST_PATH_IMAGE106
是第
Figure 247805DEST_PATH_IMAGE064
层第i个单元的偏置项，
Figure DEST_PATH_IMAGE108
表示第l层第i个单元的输出值。
步骤六：Softmax多分类，将步骤五输出的特征作为该点云数据经过网络处理后最终的特征，输出的特征作为将此特征作为得分，通过Softmax回归分类函数进行分类，将预测特征与真实特征比较得到分类结果，完成分类任务。
Softmax回归分类
Softmax回归是一个线性的多分类模型，是Logistic回归模型的延伸。在多分类问题上，可以把真实权重向量转化为一种概率分布，Softmax回归分类函数表达式：
Figure 920095DEST_PATH_IMAGE002
（15）
式中：M为样本个数；N为种类个数；为第i个样本的特征向量；为种类标识；和分别作为全连接层的权值矩阵和偏移量；为权值矩阵的第j列；为对应的偏置项。
步骤七：输出得分，将预测特征与真实特征比较得到分类结果，完成分类任务。
本发明所述的是一种高准确率的点云数据分类分割改进算法，为点云分类、点云部件分割和点云语义分割提供一种新的、高准确率的算法，主要通过图卷积模块构建点与点之间的相互关系，同时采用动态更新图结构的方式，增强网络表征能力。采用哈特莱转换减少了直接池化的损失，同时，采用差异性并联池化通道，获得更多信息，提高网络分类分割精度，同时使网络具有更强的鲁棒性。实验结果和性能表明，基于动态图卷积和DHT差异性池化的点云数据分类分割算法在点云分类任务、点云部件分割任务和点云语义分割任务有更高的准确，在点云数据处理领域具有重要的意义。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。

Claims (6)

1.一种高准确率的点云数据分类分割改进算法，其特征在于，包括以下步骤：
步骤一：输入点云，采集分散的点云数据；
步骤二：空间转换网络进行坐标对齐，将步骤一采集到的分散的点云数据通过与空间转换网络训练得到的空间转换矩阵进行坐标对齐，得到可以输入网络的数据格式的点云；
步骤三：动态图卷积模块，所述动态图卷积模块中存储有动态图卷积算法，所述动态图卷积算法可以将步骤二获得的所述数据格式的点云通过K-NN的方式获得获得拓扑结构，再对拓扑结构构成图，对该图结构经过图卷积和最大池化，获得每一个采样点与周围点的特征关系；
步骤四：DHT差异性池化模块，所述DHT差异性池化模块中存储有DHT差异性池化算法，所述DHT差异性池化算法可以将步骤三获得的特征关系经过离散哈特莱转换到想要的维度，再通过并联的最大池化和均值池化，将并联通道的特征融合作为全局特征；
步骤五：全连接层，步骤四得到的特征为高维特征，将步骤四得到的特征通过全连接层降维得到低维特征；
步骤六：Softmax多分类，将步骤五输出的特征作为最终特征，将此特征作为得分，通过Softmax回归分类函数进行分类；
步骤七：输出得分，完成分类任务。
2.根据权利要求1所述的一种高准确率的点云数据分类分割改进算法，其特征在于，步骤一中所述的点云数据通过激光雷达设备采集。
3.根据权利要求1所述的一种高准确率的点云数据分类分割改进算法，其特征在于，步骤三所述的动态图卷积算法包括以下流程：通过k-NN找到采样点的邻域点、获得图结构、MLP多层感知机、获得边信息、最大池化聚合、输出特征。
4.根据权利要求1所述的一种高准确率的点云数据分类分割改进算法，其特征在于，所述步骤四中DHT差异性池化算法包括以下流程：输入特征、离散哈特莱转换、中心化、剪裁目标大小、哈特莱逆转换，所述哈特莱逆转换包括并联的最大池化通道和均值池化通道，所述最大池化通道和所述均值池化通道输出端融合特征，然后进行输出。
5.根据权利要求1所述的一种高准确率的点云数据分类分割改进算法，其特征在于，所述步骤五中全连接层包括三个神经元不同连接层。
6.根据权利要求1所述的一种高准确率的点云数据分类分割改进算法，其特征在于，所述Softmax回归分类函数表达式：
Figure DEST_PATH_IMAGE001
。
CN202111043438.4A 2021-09-07 2021-09-07 一种高准确率的点云数据分类分割改进方法 Active CN113850304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111043438.4A CN113850304B (zh) 2021-09-07 2021-09-07 一种高准确率的点云数据分类分割改进方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111043438.4A CN113850304B (zh) 2021-09-07 2021-09-07 一种高准确率的点云数据分类分割改进方法

Publications (2)

Publication Number Publication Date
CN113850304A true CN113850304A (zh) 2021-12-28
CN113850304B CN113850304B (zh) 2024-06-18

Family

ID=78973196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111043438.4A Active CN113850304B (zh) 2021-09-07 2021-09-07 一种高准确率的点云数据分类分割改进方法

Country Status (1)

Country Link
CN (1) CN113850304B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693932A (zh) * 2022-04-06 2022-07-01 南京航空航天大学 一种大型飞机大部件点云语义分割方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242208A (zh) * 2020-01-08 2020-06-05 深圳大学 一种点云分类方法、分割方法及相关设备
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
WO2020237693A1 (zh) * 2019-05-31 2020-12-03 华南理工大学 一种水面无人装备多源感知方法及系统
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
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
CN112633350A (zh) * 2020-12-18 2021-04-09 湖北工业大学 一种基于图卷积的多尺度点云分类实现方法
CN113313176A (zh) * 2021-06-02 2021-08-27 东南大学 一种基于动态图卷积神经网络的点云分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020237693A1 (zh) * 2019-05-31 2020-12-03 华南理工大学 一种水面无人装备多源感知方法及系统
CN111242208A (zh) * 2020-01-08 2020-06-05 深圳大学 一种点云分类方法、分割方法及相关设备
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
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
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN112633350A (zh) * 2020-12-18 2021-04-09 湖北工业大学 一种基于图卷积的多尺度点云分类实现方法
CN113313176A (zh) * 2021-06-02 2021-08-27 东南大学 一种基于动态图卷积神经网络的点云分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张新良;付鹏飞;赵运基;谢恒;王琬如;: "融合图卷积和差异性池化函数的点云数据分类分割模型", 中国图象图形学报, no. 06, 16 June 2020 (2020-06-16) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693932A (zh) * 2022-04-06 2022-07-01 南京航空航天大学 一种大型飞机大部件点云语义分割方法

Also Published As

Publication number Publication date
CN113850304B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN111299815B (zh) 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
CN108665491B (zh) 一种基于局部参考点的快速点云配准方法
Wang et al. Encoder-X: solving unknown coefficients automatically in polynomial fitting by using an autoencoder
CN108376408B (zh) 一种基于曲率特征的三维点云数据快速加权配准方法
CN111080684A (zh) 一种点邻域尺度差异描述的点云配准方法
CN111027140B (zh) 基于多视角点云数据的飞机标准件模型快速重构方法
Wlodarczyk–Sielicka et al. Clustering bathymetric data for electronic navigational charts
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
Luo et al. A multi-scale map method based on bioinspired neural network algorithm for robot path planning
CN114120067A (zh) 一种物体识别方法、装置、设备及介质
Tian et al. 3D object recognition method with multiple feature extraction from LiDAR point clouds
CN110503148B (zh) 一种具有尺度不变性的点云对象识别方法
CN114373099A (zh) 一种基于稀疏图卷积的三维点云分类方法
Yin et al. Pse-match: A viewpoint-free place recognition method with parallel semantic embedding
CN113850304A (zh) 一种高准确率的点云数据分类分割改进算法
Kim et al. GraphDistNet: A graph-based collision-distance estimator for gradient-based trajectory optimization
CN114565774B (zh) 基于局部几何与全局结构联合学习的3d图卷积分类方法
CN113628104B (zh) 针对无序图像增量式SfM的初始图像对选取方法
CN115619953A (zh) 一种面向崎岖地形的移动机器人地形建图方法及系统
Hata et al. Particle filter localization on continuous occupancy maps
CN114511571A (zh) 一种点云数据语义分割方法、系统及相关组件
Buck et al. A fuzzy spatial relationship graph for point clouds using bounding boxes
Peng et al. PL-Net: towards deep learning-based localization for underwater terrain
Sa et al. Depth grid-based local description for 3D point clouds
CN117253209B (zh) 自动驾驶点云检测方法、装置、通信设备及存储介质

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