CN114627017A - 一种基于多层次注意力感知的点云去噪方法 - Google Patents

一种基于多层次注意力感知的点云去噪方法 Download PDF

Info

Publication number
CN114627017A
CN114627017A CN202210262877.2A CN202210262877A CN114627017A CN 114627017 A CN114627017 A CN 114627017A CN 202210262877 A CN202210262877 A CN 202210262877A CN 114627017 A CN114627017 A CN 114627017A
Authority
CN
China
Prior art keywords
point cloud
patch
point
data
denoising
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
CN202210262877.2A
Other languages
English (en)
Other versions
CN114627017B (zh
Inventor
汪俊
黄安义
王洲涛
刘元朋
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 CN202210262877.2A priority Critical patent/CN114627017B/zh
Publication of CN114627017A publication Critical patent/CN114627017A/zh
Priority to US18/049,203 priority patent/US20230306559A1/en
Application granted granted Critical
Publication of CN114627017B publication Critical patent/CN114627017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0463—Neocognitrons
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G06T5/60—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开了一种基于多层次注意力感知的点云去噪方法，包括步骤：构建点云去噪数据集；构建点云去噪神经网络，包括面片特征编码器、全局层次感知模块、全局层次注意力模块和多重偏移解码器模块，并利用点云去噪数据集完成网络模型的训练；对于待去噪的点云数据，分别获取每个原始数据点的点云面片邻域，并将点云面片邻域中各数据点的坐标输入到训练完成的去噪神经网络中，获取每个原始数据点的位置偏移量；根据获取的位置偏移量，分别调整待去噪的点云数据中每个对应的原始数据点的位置，从而完成点云去噪。本发明解决了现有技术无法同时感知点云的全局与层次邻域信息的缺陷，进一步提升了点云去噪效果，优化了点云数据质量。

Description

一种基于多层次注意力感知的点云去噪方法
技术领域
本发明属于点云数据预处理领域，具体涉及一种基于多层次注意力感知的点云去噪方法。
背景技术
近些年来计算机科学技术飞速发展，虚拟现实与计算机图形学等技术进一步推动了增强现实等技术的出现。这些新兴技术无一不对高质量的三维表示数据有着迫切的需求，特别是在工业领域中，由于存在高精度等指标需求，更是对三维数据质量有着严格的限制。
如今，三维点云作为一种长期被广泛应用的三维对象表示方式，由于其结构简单、且对于存储空间需求较小，在近些年来取得了长足发展，特别是在工业领域中，如工业机器人、工业测量等领域。但由于点云数据获取过程中容易受到干扰，使得原始点云数据通常携带大量噪声点，因而需要进行预处理，才能进一步被应用于实际工程中。
目前，通用的点云去噪方法大致可分为两类：1)有序点云去噪：点云数据在空间中的以有序结构组织，即是有序点云。目前常用的处理方法包括：滤波法、全局能量法、观察法、曲线检查法、弦高差法等。这些方法拥有各自的优势，但是如今设备收集的点云数据往往以无序点云居多。2)散乱点云去噪：目前为止，散乱点云的去噪方法大致可分为以下六种：基于信号处理去噪算法、基于统计学的去噪算法、基于投影的去噪算法、基于移动最小二乘去噪算法、非局部自相似性去噪算法以及数据驱动去噪算法。其中，数据驱动的去噪方法由于引入了神经网络技术，得到了众多研究者的关注。从大量训练样本中学习数据特征，从而优化点云数据，可以得到超越以往大部分方法的效果。但目前这些方法在神经网络中，没有考虑多层次的面片信息，导致去噪效果不佳。
发明内容
本发明针对现有技术中的不足，提供一种基于多层次注意力感知的点云去噪方法，以实现对无序点云数据的高质量去噪。本发明采用的技术方案如下：
一种基于多层次注意力感知的点云去噪方法，包括以下步骤：
步骤S1、获取若干个模型的点云数据，在每片点云数据中选取M个采样点，对于每个采样点，获取其不同尺度大小的点云面片邻域，将点云面片邻域中各数据点的坐标作为输入，采样点相对于其真实坐标的位置偏移量作为标签，构建点云去噪数据集；
步骤S2、构建点云去噪神经网络，并利用点云去噪数据集完成网络模型的训练；
步骤S3、对于待去噪的点云数据，分别获取每个原始数据点的点云面片邻域，并将点云面片邻域中各数据点的坐标输入到训练完成的去噪神经网络中，获取每个原始数据点的位置偏移量；
步骤S4、根据获取的位置偏移量，分别调整待去噪的点云数据中每个对应的原始数据点的位置，从而完成点云去噪。
进一步地，步骤S1中，以采样点为中心，分别获取半径为a、b、c的小尺度点云面片邻域、中尺度点云面片邻域和大尺度点云面片邻域，再从每个点云面片邻域中选取N个数据点，将其坐标作为输入，从而构建点云数据集；步骤S3中以同样的方法确定待去噪的点云数据中每个原始数据点对应的去噪神经网络输入。
进一步地，若点云面片邻域中数据点个数大于N则随机采样N个数据点，若点云面片邻域中数据点个数小于N则重采样至N个数据点。
进一步地，步骤S2中，点云去噪神经网络包括面片特征编码器、全局层次感知模块、全局层次注意力模块和多重偏移解码器模块；所述面片特征编码器用于提取多尺度面片深度特征，并将其压缩为全局特征向量；所述全局层次感知模块用于将全局特征向量映射为全局层次感知向量，实现全局特征感知；所述全局层次注意力模块用于将全局特所述征向量映射为不同层次的注意力向量；所述多重偏移解码器模块将全局层次感知向量和不同层次的注意力向量作用于偏移计算，获取位置偏移量。
进一步地，所述面片特征编码器包括与点云面片邻域对应的三个点云特征编码器，每个编码器是由四层AFA模块组成的PointWeb网络，分别用于提取对应尺度下的面片深度特征，然后通过最大池化操作将面片深度特征压缩为全局特征向量；
所述全局层次感知模块首先将全局特征向量拼接为一条特征向量，然后经过一个全连接层，再分别经过四个全连接层，其中三个全连接层的输出为全局层次注意力模块提供全局层次感知向量，另一个全连接层的输出经过Sigmoid函数激活后得到一条全局层次感知注意力特征向量；
所述全局层次注意力模块将全局特征向量分别与来自全局层次感知模块的对应的全局层次感知向量进行点乘，然后再将得到的特征向量分别与原来的全局特征向量相加，得到不同层次的注意力向量；
所述多重偏移解码器模块将来自全局层次注意力模块的不同层次的注意力向量分别经过AFA模块，然后与全局层次感知模块的全局层次感知注意力特征向量进行点乘，最后将得到的三个特征向量相加得到位置偏移量。
进一步地，所述点云去噪神经网络的损失函数Lf为：
Lf＝α(Lmin+Lmid+Lmax)+Ltotal，
其中，α为权重参数，Lmin、Lmid和Lmax分别为小尺度偏移的损失、中尺度偏移的损失和大尺度偏移的损失，Ltotal为三个尺度偏移损失加权求和后的总体偏移损失；各尺度偏移损失的度量函数L均为：
Figure BDA0003551316430000031
其中，
Figure BDA0003551316430000032
Figure BDA0003551316430000033
η为权重参数，
Figure BDA0003551316430000034
为面片邻域的中心点，pj是真值中
Figure BDA0003551316430000035
的对应面片中的邻域点，
Figure BDA0003551316430000036
和
Figure BDA0003551316430000037
分别为点pj、
Figure BDA0003551316430000038
的真实法线，
Figure BDA0003551316430000039
diag为面片邻域外接矩形的对角线长度，m为面片邻域点数，
Figure BDA00035513164300000310
σn为支持角度。
进一步地，采用最远点采样法在每片点云数据中选取M＝10000个采样点；小尺度点云面片邻域、中尺度点云面片邻域和大尺度点云面片邻域的半径分别为采样点所在模型外接球半径的4％、5％和6％；从每个点云面片邻域中选取N＝512个数据点。
本发明的有益效果是：
本发明通过构建点云去噪神经网络，利用全局层次感知模块和全局层次注意力模块解决了现有技术无法同时感知点云全局与层次邻域信息的缺陷，进一步提升了点云去噪效果，优化了点云数据质量。
附图说明
图1为本发明方法的流程示意图；
图2为本发明中训练样本与测试样本的示意图；
图3为本发明方法中构建的点云去噪神经网络的架构图；
图4为本发明实施例中去噪前后的点云可视化效果图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
为实现对无序点云数据的高质量去噪，本发明提出了一种基于多层次注意力感知的点云去噪方法，该方法可以直接应用至各种点云数据优化处理流程中，具体实现时可以将训练完成后的网络模型部署到相应程序中，以对原始点云数据进行降噪预处理。
如图1所示，本发明方法主要包括如下步骤：
S1、获取待去噪的点云数据，并从中获取多层次面片，融合多尺度邻域信息：
S2、构建面片多层次面片特征编码器，提取多层次面片深度特征；
S3、构建全局层次感知模块，将深度特征映射为全局层次感知向量，实现全局特征感知；
S4、构建全局层次注意力模块，将深度特征映射为不同层次的注意力向量；
S5、构建多重偏移解码器，将不同层次的注意力向量与全局层次感知向量作用于偏移计算，以获取点云中相应数据点的位置偏移量；
S6、将位置偏移作用于原始点云，实现点云去噪。
在实际应用中，需要使用带真实标签的数据训练基于多层次注意力感知的点云去噪神经网络，待模型损失值收敛后，即得到基于多层次注意力感知的点云去噪神经网络模型，图2为训练与测试点云去噪神经网络模型的数据集样例。
优选地，构建点云去噪数据集时，对点云数据添加五个不同尺度的高斯噪声，并取数据集中80％作为训练集，20％作为测试集。训练过程中，在每一片点云中采用最远点采样选取10000个点。对于每一个点，取整个模型外接球半径的4％，5％，6％构造面片邻域，取其中的512个点作为输入。对于多于512个点的面片，随机采样512个点；对于少于512个点的面片，重采样至512个点。
对于点云去噪神经网络中的各个模块，如图3所示：
优选地，构建面片多层次面片特征编码器，提取多层次面片深度特征，包括：对于不同外接球半径的多层次点云面片输入，构建点云特征编码器，编码器由四层AFA(Adaptive Feature Adjustment)模块组成的定制PointWeb网络提取多层次邻域特征，进一步增强了点云特征点对于邻域特征的感知。最终经过一个最大池化操作，将特征矩阵压缩为全局特征向量。
优选地，构建全局层次注意力模块，将深度特征映射为不同层次的注意力向量，包括：将不同层次的特征向量分别与来自全局层次感知模块的特征向量进行点乘注意力操作，然后再将得到的特征向量与原来的层次特征向量进行相加，得到最终的全局层次注意力特征向量。
优选地，构建全局层次感知模块，将深度特征映射为全局层次感知向量，实现全局特征感知，包括：将不同层次的特征向量拼接为一条特征向量，然后经过一个全连接层；再分别经过四个全连接层，其中三个为全局层次注意力模块提供全局层次感知向量，最后一个全连接层后，再经过一个sigmod函数激活操作，得到一条全局层次感知注意力特征向量。
优选地，构建多重偏移解码器，将层次注意力向量与全局层次感知注意力向量作用于偏移计算，包括：将来自全局层次注意力模块的特征分别经过AFA模块，然后与全局层次感知模块的全局层次感知注意力特征向量进行注意力点乘操作。最后将三个特征向量进行相加，得到最终的偏移值。
优选地，完成点云去噪，位置偏移作用于原始点云，实现点云去噪。在实际应用中，需要使用带真实标签的数据训练基于多层次注意力感知的点云去噪神经网络，待模型损失值收敛后，即得到基于多层次注意力感知的点云去噪神经网络模型。
其中，训练过程的损失函数，包括三个不同层次的损失函数与总体损失函数：
Lf＝α(Lmin+Lmid+Lmax)+Ltotal
其中，Lmin为小尺度偏移的损失，Lmid为中尺度偏移的损失，Lmax为大尺度偏移的损失，Ltotal为三个尺度的偏移加权相加后的总体偏移损失。四个损失采取相同的度量方式，但参照的真实值根据尺度的不同有所差异。
具体地，所述损失度量函数为：
Figure BDA0003551316430000051
其中，η取0.97，Lrep为：
Figure BDA0003551316430000052
Figure BDA0003551316430000053
为滤波后的面片中心点，pj是
Figure BDA0003551316430000054
为中心在真值中对应面片中的点。目的是为了使去噪后的点云分布更加均匀；进一步地，
Figure BDA0003551316430000055
其中，
Figure BDA0003551316430000056
为点与真实值对应面片的欧氏距离相关性，距离越小则重要性权重越大,
Figure BDA0003551316430000057
diag为面片外接矩形框对角线长度；
Figure BDA0003551316430000058
σn为支持角度，默认取15度。为两点法线方向差异，越大越不重要，保留更多的细节信息。
本发明方法的点云去噪效果如图4所示，由图可知，本发明提出的点云去噪神经网络能够优化点云数据质量，有效提升了点云去噪效果。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (7)

1.一种基于多层次注意力感知的点云去噪方法，其特征在于，包括以下步骤：
步骤S1、获取若干个模型的点云数据，在每片点云数据中选取M个采样点，对于每个采样点，获取其不同尺度大小的点云面片邻域，将点云面片邻域中各数据点的坐标作为输入，采样点相对于其真实坐标的位置偏移量作为标签，构建点云去噪数据集；
步骤S2、构建点云去噪神经网络，并利用点云去噪数据集完成网络模型的训练；
步骤S3、对于待去噪的点云数据，分别获取每个原始数据点的点云面片邻域，并将点云面片邻域中各数据点的坐标输入到训练完成的去噪神经网络中，获取每个原始数据点的位置偏移量；
步骤S4、根据获取的位置偏移量，分别调整待去噪的点云数据中每个对应的原始数据点的位置，从而完成点云去噪。
2.如权利要求1所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，步骤S1中，以采样点为中心，分别获取半径为a、b、c的小尺度点云面片邻域、中尺度点云面片邻域和大尺度点云面片邻域，再从每个点云面片邻域中选取N个数据点，将其坐标作为输入，从而构建点云数据集；步骤S3中以同样的方法确定待去噪的点云数据中每个原始数据点对应的去噪神经网络输入。
3.如权利要求2所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，若点云面片邻域中数据点个数大于N则随机采样N个数据点，若点云面片邻域中数据点个数小于N则重采样至N个数据点。
4.如权利要求2所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，步骤S2中，点云去噪神经网络包括面片特征编码器、全局层次感知模块、全局层次注意力模块和多重偏移解码器模块；所述面片特征编码器用于提取多尺度面片深度特征，并将其压缩为全局特征向量；所述全局层次感知模块用于将全局特征向量映射为全局层次感知向量，实现全局特征感知；所述全局层次注意力模块用于将全局特所述征向量映射为不同层次的注意力向量；所述多重偏移解码器模块将全局层次感知向量和不同层次的注意力向量作用于偏移计算，获取位置偏移量。
5.如权利要求4所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，所述面片特征编码器包括与点云面片邻域对应的三个点云特征编码器，每个编码器是由四层AFA模块组成的PointWeb网络，分别用于提取对应尺度下的面片深度特征，然后通过最大池化操作将面片深度特征压缩为全局特征向量；
所述全局层次感知模块首先将全局特征向量拼接为一条特征向量，然后经过一个全连接层，再分别经过四个全连接层，其中三个全连接层的输出为全局层次注意力模块提供全局层次感知向量，另一个全连接层的输出经过Sigmoid函数激活后得到一条全局层次感知注意力特征向量；
所述全局层次注意力模块将全局特征向量分别与来自全局层次感知模块的对应的全局层次感知向量进行点乘，然后再将得到的特征向量分别与原来的全局特征向量相加，得到不同层次的注意力向量；
所述多重偏移解码器模块将来自全局层次注意力模块的不同层次的注意力向量分别经过AFA模块，然后与全局层次感知模块的全局层次感知注意力特征向量进行点乘，最后将得到的三个特征向量相加得到位置偏移量。
6.如权利要求5所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，所述点云去噪神经网络的损失函数Lf为：
Lf＝α(Lmin+Lmid+Lmax)+Ltotal，
其中，α为权重参数，Lmin、Lmid和Lmax分别为小尺度偏移的损失、中尺度偏移的损失和大尺度偏移的损失，Ltotal为三个尺度偏移损失加权求和后的总体偏移损失；各尺度偏移损失的度量函数L均为：
Figure FDA0003551316420000021
其中，
Figure FDA0003551316420000022
Figure FDA0003551316420000023
η为权重参数，
Figure FDA0003551316420000024
为面片邻域的中心点，pj是真值中
Figure FDA0003551316420000025
的对应面片中的邻域点，
Figure FDA0003551316420000026
和
Figure FDA0003551316420000027
分别为点pj、
Figure FDA0003551316420000028
的真实法线，
Figure FDA0003551316420000029
diag为面片邻域外接矩形的对角线长度，m为面片邻域点数，
Figure FDA00035513164200000210
σn为支持角度。
7.如权利要求2所述的一种基于多层次注意力感知的点云去噪方法，其特征在于，采用最远点采样法在每片点云数据中选取M＝10000个采样点；小尺度点云面片邻域、中尺度点云面片邻域和大尺度点云面片邻域的半径分别为采样点所在模型外接球半径的4％、5％和6％；从每个点云面片邻域中选取N＝512个数据点。
CN202210262877.2A 2022-03-17 2022-03-17 一种基于多层次注意力感知的点云去噪方法 Active CN114627017B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210262877.2A CN114627017B (zh) 2022-03-17 2022-03-17 一种基于多层次注意力感知的点云去噪方法
US18/049,203 US20230306559A1 (en) 2022-03-17 2022-10-24 Point cloud denoising method based on multi-level attention perception

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210262877.2A CN114627017B (zh) 2022-03-17 2022-03-17 一种基于多层次注意力感知的点云去噪方法

Publications (2)

Publication Number Publication Date
CN114627017A true CN114627017A (zh) 2022-06-14
CN114627017B CN114627017B (zh) 2022-12-13

Family

ID=81901997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210262877.2A Active CN114627017B (zh) 2022-03-17 2022-03-17 一种基于多层次注意力感知的点云去噪方法

Country Status (2)

Country Link
US (1) US20230306559A1 (zh)
CN (1) CN114627017B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293995A (zh) * 2022-10-08 2022-11-04 南京航空航天大学 一种基于Transformer的点云逐点去噪方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539881A (zh) * 2020-04-16 2020-08-14 南京航空航天大学 一种基于深度学习的航空零部件点云去噪方法
CN112101278A (zh) * 2020-09-25 2020-12-18 湖南盛鼎科技发展有限责任公司 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN112102178A (zh) * 2020-07-29 2020-12-18 深圳市菲森科技有限公司 一种点云保特征去噪方法、装置、电子设备及存储介质
CN112435193A (zh) * 2020-11-30 2021-03-02 中国科学院深圳先进技术研究院 一种点云数据去噪的方法、装置、存储介质和电子设备
CN112634149A (zh) * 2020-12-10 2021-04-09 浙江大学 一种基于图卷积网络的点云去噪方法
WO2022016942A1 (zh) * 2020-07-22 2022-01-27 商汤集团有限公司 一种目标检测方法、装置、电子设备及存储介质
CN114004871A (zh) * 2022-01-04 2022-02-01 山东大学 一种基于点云补全的点云配准方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539881A (zh) * 2020-04-16 2020-08-14 南京航空航天大学 一种基于深度学习的航空零部件点云去噪方法
WO2022016942A1 (zh) * 2020-07-22 2022-01-27 商汤集团有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112102178A (zh) * 2020-07-29 2020-12-18 深圳市菲森科技有限公司 一种点云保特征去噪方法、装置、电子设备及存储介质
CN112101278A (zh) * 2020-09-25 2020-12-18 湖南盛鼎科技发展有限责任公司 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN112435193A (zh) * 2020-11-30 2021-03-02 中国科学院深圳先进技术研究院 一种点云数据去噪的方法、装置、存储介质和电子设备
CN112634149A (zh) * 2020-12-10 2021-04-09 浙江大学 一种基于图卷积网络的点云去噪方法
CN114004871A (zh) * 2022-01-04 2022-02-01 山东大学 一种基于点云补全的点云配准方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHAO HUANG等: "Non-Local Part-Aware Point Cloud Denoising", 《ARXIV》 *
JIEQIONG YAN等: "Structural Feature-Preserving Point Cloud Denoising Method for Aero-Engine Profile", 《INTERNATIONAL JOURNAL OF AEROSPACE ENGINEERING》 *
张光玺等: "基于深度学习的抗噪声点云识别网络设计", 《纺织高校基础科学学报》 *
张英奎: "基于深度学习的三维数据去噪", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郜金艳等: "基于几何先验和深度学习的点云法矢估算", 《计算机辅助设计与图形学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293995A (zh) * 2022-10-08 2022-11-04 南京航空航天大学 一种基于Transformer的点云逐点去噪方法

Also Published As

Publication number Publication date
CN114627017B (zh) 2022-12-13
US20230306559A1 (en) 2023-09-28

Similar Documents

Publication Publication Date Title
CN110738697B (zh) 基于深度学习的单目深度估计方法
CN111898507B (zh) 一种预测无标签遥感影像地表覆盖类别的深度学习方法
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN110111345B (zh) 一种基于注意力网络的3d点云分割方法
CN109741328A (zh) 一种基于生成式对抗网络的汽车表观质量检测方法
CN111681178B (zh) 一种基于知识蒸馏的图像去雾方法
CN112836610A (zh) 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN111160440A (zh) 一种基于深度学习的安全帽佩戴检测方法及装置
CN113627472B (zh) 基于分层深度学习模型的智慧园林食叶害虫识别方法
CN111127472B (zh) 一种基于权重学习的多尺度图像分割方法
CN109635653A (zh) 一种植物识别方法
CN113436237B (zh) 一种基于高斯过程迁移学习的复杂曲面高效测量系统
CN112561876A (zh) 基于图像的池塘和水库的水质检测方法及系统
CN110175529A (zh) 一种基于降噪自编码网络的三维人脸特征点定位方法
CN114627017B (zh) 一种基于多层次注意力感知的点云去噪方法
CN114283120A (zh) 一种基于领域自适应的端到端多源异质遥感影像变化检测方法
CN115661404A (zh) 一种多细粒度树木实景参数化建模方法
CN115223054A (zh) 一种基于分区聚类与卷积的遥感影像变化检测方法
CN113516663A (zh) 点云语义分割方法及装置、电子设备及存储介质
CN113628170B (zh) 一种基于深度学习的激光线提取方法及系统
CN114663880A (zh) 基于多层级跨模态自注意力机制的三维目标检测方法
CN116642897A (zh) 一种航空零部件涂层外观缺陷检测系统
CN114494586A (zh) 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法
CN115115860A (zh) 一种基于深度学习的图像特征点检测匹配网络
CN114155524A (zh) 单阶段3d点云目标检测方法及装置、计算机设备、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