CN113920255B - 基于点云数据的高效测绘系统 - Google Patents

基于点云数据的高效测绘系统 Download PDF

Info

Publication number
CN113920255B
CN113920255B CN202111527317.7A CN202111527317A CN113920255B CN 113920255 B CN113920255 B CN 113920255B CN 202111527317 A CN202111527317 A CN 202111527317A CN 113920255 B CN113920255 B CN 113920255B
Authority
CN
China
Prior art keywords
point cloud
data
cloud data
basic point
network
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
CN202111527317.7A
Other languages
English (en)
Other versions
CN113920255A (zh
Inventor
阚晓云
熊小龙
王伟立
范建峰
高伟
曾雄
杨建锋
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.)
Hubei Xiaoyun Technology Co ltd
Original Assignee
Hubei Xiaoyun Technology Co ltd
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 Hubei Xiaoyun Technology Co ltd filed Critical Hubei Xiaoyun Technology Co ltd
Priority to CN202111527317.7A priority Critical patent/CN113920255B/zh
Publication of CN113920255A publication Critical patent/CN113920255A/zh
Application granted granted Critical
Publication of CN113920255B publication Critical patent/CN113920255B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于点云数据的高效测绘系统。该系统包括基础点云获取单元，用于采集初始点云数据，将初始点云数据输入基础点云提取网络得到基础点云数据；加噪点云获取单元，用于将所述基础点云数据输入训练好的噪声点云生成网络得到加噪点云数据；去噪网络构建单元，用于利用所述加噪点云数据和所述基础点云数据训练去噪神经网络；将采集的目标点云数据输入训练好的所述去噪神经网络得到去噪后的点云数据，基于去噪后的点云数据进行测绘。增强了去噪神经网络在不同工况下的泛化能力，且无需人为标注数据，降低成本，进而提高了测绘效率。

Description

基于点云数据的高效测绘系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于点云数据的高效测绘系统。
背景技术
原始点云数据往往包含大量散列点、孤立点，在获取点云数据时 ，由于设备精度、操作者经验环境因素带来的影响、电磁波的衍射性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免的出现一些噪声，导致采样的分辨率不同。
为实现点云数据的高效测绘，对直接采集获取的原始点云数据进行去噪处理，剔除各类噪声点，现有常用的处理方式通常为点云滤波操作，包括双边滤波、高斯滤波、直通滤波、随机采样一致性滤波等滤波操作，但滤波操作存在的问题在于，需要根据工况选择合适的滤波方式，这极大的增加了点云去噪流程的复杂性。为便捷的直接获取去噪后的点云数据，现有技术又提出了采用神经网络实现点云去噪操作，具体为：通过分析高斯噪声类别，训练不同高斯噪声类别对应的去噪子网络，利用去噪子网络获取去噪后的点云数据。
本领域技术人员发现现有技术存在以下缺陷：神经网络的泛化能力不足，若存在多种类型噪声，难以实现较好的去噪效果；且神经网络的数据标注困难，采用不同滤波操作得到的滤波结果不同，从而难以有确定的标注。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于点云数据的高效测绘系统，所采用的技术方案具体如下：
基础点云获取单元，用于采集初始点云数据，将初始点云数据输入基础点云提取网络得到基础点云数据，所述基础点云数据是指对初始点云数据利用不同的滤波操作后得到的多个滤波后点云集合的交集点云集合；
加噪点云获取单元，用于将所述基础点云数据输入训练好的噪声点云生成网络得到加噪点云数据；
去噪网络构建单元，用于利用所述加噪点云数据和所述基础点云数据训练去噪神经网络；将采集的目标点云数据输入训练好的所述去噪神经网络得到去噪后的点云数据，基于去噪后的点云数据进行测绘；
所述加噪点云获取单元中噪声点云生成网络的训练过程为：将所述基础点云数据作为所述噪声点云生成网络的训练集；损失函数包括第一重构损失函数、第二重构损失函数和第三重构损失函数，其中所述第一重构损失函数为输入数据和输出数据的欧式距离、所述第二重构损失函数是指输入数据和输出数据之间数据的数量损失、所述第三重构损失函数是指输入数据与输出数据之间的空域描述差异损失，空域描述是指根据目标数据与最近邻数据之间的坐标差异所得到的。
进一步地，所述加噪点云获取单元中所述第二重构损失函数的构建方法，包括：
将输出数据减去输入数据得到差异数据；由差异数据的数据值的构建输出数据的数据值损失；
由差异数据的数量、所述基础点云数据的数量、初始点云数据的数量和设定的迭代次数构建输出数据的数量损失；
结合所述数据损失和所述数量损失得到所述第二重构损失函数。
进一步地，所述加噪点云获取单元中所述第三重构损失函数的构建方法，包括：
由差异数据和所述基础点云数据构建孪生网络，基于所述孪生网络的输出结果构建所述噪声点云生成网络的所述第三重构损失函数。
进一步地，所述加噪点云获取单元中所述第三重构损失函数的构建方法，包括：
对各个差异数据进行空域描述，所述空域描述的方式为基于坐标距离选择某一差异数据的最近邻八个所述基础点云数据，并分别将所选择的最近邻基础点云数据的坐标与该差异数据的坐标相减，得到该差异数据的空域描述信息；
对各个所述基础点云数据进行空域描述，所述空域描述的方式为基于坐标距离选择某一基础点云数据的最近邻八个差异数据，并分别将所选择的最近邻差异数据的坐标与该基础点云数据的坐标相减，得到该基础点云数据的空域描述信息；
构建孪生网络，所述孪生网络的包括两个分支，一个分支的输入为差异数据的所述空域描述信息，另一个分支的输入为所述基础点云数据的所述空域描述信息，所述孪生网络的输出为差异数据和所述基础点云数据之间的所述空域描述信息的余弦相似度；
获取所述基础点云数据的质心点，计算差异数据与所述质心点之间的欧式距离、所述质心点与所述基础点云数据之间的欧式距离，由欧式距离和所述余弦相似度构建所述第三重构损失函数。
进一步地，所述加噪点云获取单元中第三重构损失与欧式距离呈正相关关系、第三重构损失与所述余弦相似度呈负相关关系。
本发明实施例至少具有如下有益效果：通过对基础点云数据进行提取，以确定非噪声点的点云数据，进而解决了因不同滤波操作处理获取的去噪效果不同导致的去噪网络标注问题；同时采用空域信息作为噪声点云生产网络的监督，提高了加噪点云数据的生成可信度，以增强了去噪神经网络在不同工况下的泛化能力，且无需人为标注数据，降低成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例提供的一种基于点云数据的高效测绘系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于点云数据的高效测绘系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于点云数据的高效测绘系统的具体方案。
本发明实施例所针对的具体场景为：测绘场景，且由无人机搭载RGB-D相机进行点云数据的采集。
请参阅图1，其示出了本发明一个实施例提供的一种基于点云数据的高效测绘系统的结构框图，该方法包括以下步骤：
基础点云获取单元10，用于采集初始点云数据，将初始点云数据输入基础点云提取网络得到基础点云数据，基础点云数据是指对初始点云数据利用不同的滤波操作后得到的多个滤波后点云集合的交集。
具体的，对所采集的初始点云数据进行多类型点云滤波，利用各类型的点云滤波操作获取对应的滤波后点云集合，每种点云滤波类型对应一个滤波后点云集合，对所有的滤波后点云集合集合求取交集点云集合，将交集点云集合作为基础点云数据；
优选的，本发明实施例中点云滤波类型包括双边滤波、高斯滤波、直通滤波、随机采样一致性滤波等。
需要说明的是，实施者在设置各类型滤波操作的超参数时，应设置为针对场景的滤波超参数，否则应设置为泛化性较强的滤波超参数，以确保所提取的基础点云数据的可应用性。
为了提高基础点云数据的提取的便捷性，构建基础点云提取网络，该网络结构为编码器-解码器结构，基础点云提取网络的输入为初始点云数据，基础点云提取网络的输出为预测的基础点云数据；基础点云提取网络训练样本为不同位置采集的多个初始点云数据，标注数据为各初始点云数据对应的经过上述方法获取的基础点云数据；损失函数设置为均方误差(MSE)损失函数。
利用训练好的基础点云提取网络，将实际采集的初始点云数据送入训练好的基础点云提取网络中即可输出基础点云数据。
加噪点云获取单元20，用于将基础点云数据输入训练好的噪声点云生成网络得到加噪点云数据。其中，加噪点云获取单元中噪声点云生成网络的训练过程为：将基础点云数据作为噪声点云生成网络的训练集；损失函数包括第一重构损失函数、第二重构损失函数和第三重构损失函数，其中第一重构损失函数为输入数据和输出数据的欧式距离、第二重构损失函数是指输入数据和输出数据之间数据的数量损失、第三重构损失函数是指输入数据与输出数据之间的空域描述差异损失。
具体的，噪声点云生成网络的结构为编码器解码器，且噪声点云生成网络的输入为基础点云数据，输出为加噪点云数据，则噪声点云生成网络的训练过程为：
(1)基于噪声点云生成网络的输入数据和输出数据，采用自编码网络的重构损失函数作为第一重构损失函数进行预训练，训练好后，设置第二重构损失函数，第二重构损失函数的目的是在点云加噪任务中，期望噪声点云生成网络能够生成额外的噪声点云数据，且保留输入的点云数据，因此基于输出数据减去输入数据获得的差异数据构建第二重构损失函数，则第二重构损失函数为：
Figure DEST_PATH_IMAGE001
其中，
Figure 579571DEST_PATH_IMAGE002
为第二重构损失函数；
Figure 27870DEST_PATH_IMAGE003
表示差异数据的数量；
Figure 666662DEST_PATH_IMAGE004
表示第
Figure 779980DEST_PATH_IMAGE003
个差异数据的数据值，且差异数据的值的获取方法为：本发明实施例设置基础点云数据的数据值均为1，若某个点云数据在输入数据内而不在输出数据内，则在差异数据中的对应位置的数据值为-1；
Figure 532035DEST_PATH_IMAGE005
表示初始点云数据的数量；
Figure 275869DEST_PATH_IMAGE006
表示基础点云数据的数量；
Figure 949427DEST_PATH_IMAGE007
为迭代次数，由实施者根据算力自行设置
Figure 945065DEST_PATH_IMAGE007
值，算力越大，
Figure 272666DEST_PATH_IMAGE007
可取较小值，进而单次可生成较多的模拟点云数据，在本发明实施例中
Figure 938133DEST_PATH_IMAGE007
设置为10；
Figure 223621DEST_PATH_IMAGE008
为权重调整系数，设置为较大正数，在本发明实施例中设置为100，以增强
Figure 147584DEST_PATH_IMAGE009
项对于第二重构损失函数的影响。
需要说明的是，
Figure 77494DEST_PATH_IMAGE010
表示取最小操作，并通过
Figure 304076DEST_PATH_IMAGE009
评价，当
Figure 201493DEST_PATH_IMAGE004
中存在负数时，即
Figure 7775DEST_PATH_IMAGE011
，
Figure 323350DEST_PATH_IMAGE009
较大，为
Figure 314309DEST_PATH_IMAGE012
，否则，
Figure 839968DEST_PATH_IMAGE009
较小，为
Figure 325307DEST_PATH_IMAGE013
；
Figure 354443DEST_PATH_IMAGE014
项的目的是约束单次生成的模拟点云数据的数量尽可能满足
Figure 50391DEST_PATH_IMAGE015
或在
Figure 125663DEST_PATH_IMAGE015
附近，也即生成数目约束，该数目约束用于避免生成过程不产生模拟点云数据或产生过多的模拟点云数据。
(2)为了避免生成无意义的模拟点云数据，由差异数据和基础点云数据构建孪生网络，基于孪生网络的输出结果构建噪声点云生成网络的第三重构损失函数，使得获取的模拟点云数据都为噪声点云数据。具体过程为：
a.对各个差异数据进行空域描述，空域描述的方式为基于坐标距离选择某一差异数据的最近邻八个基础点云数据，并分别将所选择的最近邻基础点云数据的坐标与该差异数据的坐标相减，得到该差异数据的空域描述信息，同理，获取各个基础点云数据的空域描述信息。
b.构建孪生网络作为监督判别器，其中孪生网络的单分支结构为编码器-全连接层，单分支输入为单个点云数据的空域描述信息，经全连接层映射为特征向量，并与权重共享的另一分支输入的另一个点云数据的空域描述信息对应的特征向量进行对比，通过余弦相似度进行相似度量，则特征向量越相似，度量值越接近1，特征向量越不相似，度量值越接近0。
c.孪生网络的训练过程为：采用基础点云数据作为正例集合、对应的差异数据作为反例集合，由正例集合和反例集合构建孪生网络的数据集，利用数据集训练该孪生网络；采用对比损失作为孪生网络的损失函数。
d.根据孪生网络输出的余弦相似度构建噪声点云生成网络的第三重构损失函数，则第三重构损失函数为
Figure 680273DEST_PATH_IMAGE016
，其中
Figure 954128DEST_PATH_IMAGE017
表示第
Figure 834359DEST_PATH_IMAGE003
个差异数据和第
Figure 69032DEST_PATH_IMAGE018
个基础点云数据经孪生网络输出的余弦相似度；
Figure 411020DEST_PATH_IMAGE019
的作用在于令所有差异数据和基础点云数据的空域信息的相似度足够小，以满足其作为噪声的特性；
Figure 555694DEST_PATH_IMAGE020
为距离约束，
Figure 200302DEST_PATH_IMAGE021
表示欧式距离的计算，
Figure 61552DEST_PATH_IMAGE022
表示第
Figure 692385DEST_PATH_IMAGE003
个差异数据，
Figure 285040DEST_PATH_IMAGE023
表示第
Figure 490762DEST_PATH_IMAGE018
个基础点云数据，
Figure 575393DEST_PATH_IMAGE024
为基础点云数据的质心点，也即该项约束不允许差异数据与基础点云数据的距离超过基础点云数据到质心点的最大距离。
进一步地，基于上述训练好的噪声点云生成网络，将基础点云数据输入噪声点云生成网络中，输出加噪点云数据，作为第一加噪点云数据；将噪声点云生成网络输入更新为第一加噪点云数据，再次迭代推理，获取第二加噪点云数据，然后重复迭代，直至获取到第
Figure 446135DEST_PATH_IMAGE007
加噪点云数据。
需要说明的是，本发明实施例进行迭代生成的目的在于为后续去噪神经网络生成足够多的训练样本，且提高在不同噪声点云数据的数量下去噪神经网络的鲁棒性。
去噪网络构建单元30，用于利用加噪点云数据和基础点云数据训练去噪神经网络，将采集的目标点云数据输入训练好的去噪神经网络得到去噪后的点云数据，基于去噪后的点云数据进行测绘。
具体的，构建去噪神经网络，其网络结构为编码器-解码器，去噪神经网络的输入为加噪点云数据，去噪神经网络的输出为去噪后的点云数据。其中，去噪神经网络的具体训练过程为：训练样本数据为由上述加噪点云获取单元20经过多次生成的加噪后点云数据，标签数据为对应的未加噪声点云，也即是基础点云数据；采用均方误差(MSE)损失函数作为去噪神经网络的损失函数。
在实际使用中，实施者可直接将采集的点云数据送入已训练好的去噪神经网络，进而输出去噪后的点云数据，再基于去噪后的点云数据进行测绘，提高测绘效率。
综上所述，本发明实施例提供了一种基于点云数据的高效测绘系统，该系统包括：基础点云获取单元10用于采集初始点云数据，将初始点云数据输入基础点云提取网络得到基础点云数据，基础点云数据是指对初始点云数据利用不同的滤波操作后得到的多个滤波后点云集合的交集点云集合；加噪点云获取单元20将基础点云数据输入训练好的噪声点云生成网络得到加噪点云数据；去噪网络构建单元30用于利用加噪点云数据和基础点云数据训练去噪神经网络；将采集的目标点云数据输入训练好的去噪神经网络得到去噪后的点云数据，基于去噪后的点云数据进行测绘。增强了去噪神经网络在不同工况下的泛化能力，且无需人为标注数据，降低成本，进而提高了测绘效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (5)

1.一种基于点云数据的高效测绘系统，其特征在于，该系统包括：
基础点云获取单元，用于采集初始点云数据，将初始点云数据输入基础点云提取网络得到基础点云数据，所述基础点云数据是指对初始点云数据利用不同的滤波操作后得到的多个滤波后点云集合的交集点云集合；
加噪点云获取单元，用于将所述基础点云数据输入训练好的噪声点云生成网络得到加噪点云数据；
去噪网络构建单元，用于利用所述加噪点云数据和所述基础点云数据训练去噪神经网络；将采集的目标点云数据输入训练好的所述去噪神经网络得到去噪后的点云数据，基于去噪后的点云数据进行测绘；
所述加噪点云获取单元中噪声点云生成网络的训练过程为：将所述基础点云数据作为所述噪声点云生成网络的训练集；损失函数包括第一重构损失函数、第二重构损失函数和第三重构损失函数，其中所述第一重构损失函数为输入数据和输出数据的欧式距离、所述第二重构损失函数是指输入数据和输出数据之间数据的数量损失、所述第三重构损失函数是指输入数据与输出数据之间的空域描述差异损失，空域描述是指根据目标数据与最近邻数据之间的坐标差异所得到的。
2.如权利要求1所述的系统，其特征在于，所述加噪点云获取单元中所述第二重构损失函数的构建方法，包括：
将输出数据减去输入数据得到差异数据；由差异数据的数据值的构建输出数据的数据值损失；
由差异数据的数量、所述基础点云数据的数量、初始点云数据的数量和设定的迭代次数构建输出数据的数量损失；
结合所述数据值损失和所述数量损失得到所述第二重构损失函数。
3.如权利要求2所述的系统，其特征在于，所述加噪点云获取单元中所述第三重构损失函数的构建方法，包括：
由差异数据和所述基础点云数据构建孪生网络，基于所述孪生网络的输出结果构建所述噪声点云生成网络的所述第三重构损失函数。
4.如权利要求2所述的系统，其特征在于，所述加噪点云获取单元中所述第三重构损失函数的构建方法，包括：
对各个差异数据进行空域描述，所述空域描述的方式为基于坐标距离选择某一差异数据的最近邻八个所述基础点云数据，并分别将所选择的最近邻基础点云数据的坐标与该差异数据的坐标相减，得到该差异数据的空域描述信息；
对各个所述基础点云数据进行空域描述，所述空域描述的方式为基于坐标距离选择某一基础点云数据的最近邻八个差异数据，并分别将所选择的最近邻差异数据的坐标与该基础点云数据的坐标相减，得到该基础点云数据的空域描述信息；
构建孪生网络，所述孪生网络的包括两个分支，一个分支的输入为差异数据的所述空域描述信息，另一个分支的输入为所述基础点云数据的所述空域描述信息，所述孪生网络的输出为差异数据和所述基础点云数据之间的所述空域描述信息的余弦相似度；
获取所述基础点云数据的质心点，计算差异数据与所述质心点之间的欧式距离、所述质心点与所述基础点云数据之间的欧式距离，由欧式距离和所述余弦相似度构建所述第三重构损失函数。
5.如权利要求4所述的系统，其特征在于，所述加噪点云获取单元中第三重构损失与欧式距离呈正相关关系、第三重构损失与所述余弦相似度呈负相关关系。
CN202111527317.7A 2021-12-15 2021-12-15 基于点云数据的高效测绘系统 Active CN113920255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111527317.7A CN113920255B (zh) 2021-12-15 2021-12-15 基于点云数据的高效测绘系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111527317.7A CN113920255B (zh) 2021-12-15 2021-12-15 基于点云数据的高效测绘系统

Publications (2)

Publication Number Publication Date
CN113920255A CN113920255A (zh) 2022-01-11
CN113920255B true CN113920255B (zh) 2022-02-22

Family

ID=79249067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111527317.7A Active CN113920255B (zh) 2021-12-15 2021-12-15 基于点云数据的高效测绘系统

Country Status (1)

Country Link
CN (1) CN113920255B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116538996B (zh) * 2023-07-04 2023-09-29 云南超图地理信息有限公司 基于激光雷达的地形测绘系统及方法
CN116628429B (zh) * 2023-07-26 2023-10-10 青岛远度智能科技有限公司 一种无人机平稳升降智能控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097444A (zh) * 2016-05-30 2016-11-09 百度在线网络技术（北京）有限公司 高精地图生成方法和装置
CN109633674A (zh) * 2018-12-17 2019-04-16 云南电网有限责任公司带电作业分公司 基于激光点云数据的输电巡视三维航迹自动规划方法
CN111028151A (zh) * 2019-12-03 2020-04-17 西安科技大学 基于图残差神经网络融合的点云数据拼接方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150071566A1 (en) * 2011-07-22 2015-03-12 Raytheon Company Pseudo-inverse using weiner-levinson deconvolution for gmapd ladar noise reduction and focusing

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097444A (zh) * 2016-05-30 2016-11-09 百度在线网络技术（北京）有限公司 高精地图生成方法和装置
CN109633674A (zh) * 2018-12-17 2019-04-16 云南电网有限责任公司带电作业分公司 基于激光点云数据的输电巡视三维航迹自动规划方法
CN111028151A (zh) * 2019-12-03 2020-04-17 西安科技大学 基于图残差神经网络融合的点云数据拼接方法

Also Published As

Publication number Publication date
CN113920255A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN111738124B (zh) 基于Gabor变换和注意力的遥感图像云检测方法
CN108564606B (zh) 基于图像转换的异源图像块匹配方法
CN110659591B (zh) 基于孪生网络的sar图像变化检测方法
CN112861729B (zh) 一种基于伪深度图引导的实时深度补全方法
Zhuo et al. Physics-augmented deep learning to improve tropical cyclone intensity and size estimation from satellite imagery
CN113920255B (zh) 基于点云数据的高效测绘系统
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN110598600A (zh) 一种基于unet神经网络的遥感图像云检测方法
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN110598613B (zh) 一种高速公路团雾监测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN114692509B (zh) 基于多阶段退化神经网络的强噪声单光子三维重建方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN113610070A (zh) 一种基于多源数据融合的滑坡灾害识别方法
CN112507861A (zh) 一种多层卷积特征融合的行人检测方法
CN115826042B (zh) 一种边云端结合的分布式地震数据处理方法与装置
Andriyanov et al. Pattern recognition on radar images using augmentation
CN113723294B (zh) 数据处理方法、装置及对象识别方法、装置
CN107358625B (zh) 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法
CN112150474A (zh) 一种水下气泡图像特征分割提取方法
CN117115671A (zh) 基于遥感的土壤质量分析方法、装置及电子设备
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统
CN113723468A (zh) 一种三维点云的物体检测方法
CN112507826A (zh) 一种端到端生态变化监测方法、终端、计算机设备及介质

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
GR01 Patent grant