CN117058470B - 一种基于小样本学习的三维点云分类的方法和系统 - Google Patents
一种基于小样本学习的三维点云分类的方法和系统 Download PDFInfo
- Publication number
- CN117058470B CN117058470B CN202311314641.XA CN202311314641A CN117058470B CN 117058470 B CN117058470 B CN 117058470B CN 202311314641 A CN202311314641 A CN 202311314641A CN 117058470 B CN117058470 B CN 117058470B
- Authority
- CN
- China
- Prior art keywords
- point
- vector
- neighbor
- query
- point cloud
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 106
- 230000002776 aggregation Effects 0.000 claims description 37
- 238000004220 aggregation Methods 0.000 claims description 37
- 230000004931 aggregating effect Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于小样本学习的三维点云分类的方法和系统,涉及智能制造技术领域,包括如下步骤:S1、构建三维点云分类的数据集,所述构建三维点云分类的数据集包括构建支持集和构建查询集;S2、计算所述支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量;S3、基于支持集和查询集中的每个点的几何特征和每个点对应拉普拉斯向量对查询集中点云的标签进行预测。通过引入几何特征提取点云中每个点的局部特征信息,其次通过拉普拉斯向量来提取点云中边缘和角落的抽象信息,可以更好的提取点云的特征信息用于点云的小样本学习,实现少量的三维数据标注样本完成三维数据学习进而实现三维点云分类,降低成本。
Description
技术领域
本申请涉及智能制造技术领域,具体涉及一种基于小样本学习的三维点云分类的方法和系统。
背景技术
随着新能源行业及智能制造的发展,在生产线组装产品的过程中,需要使用基于3D计算机视觉的目标检测技术来保证生产速度及产品质量。而点云算法则为目标检测技术提供基础数据支撑,在3D计算机视觉应用中起着关键作用,但由于数据的稀疏性、不规则性和无序性,这也为点云算法带来了困难与挑战。对于不同的工厂,大量标记产品的训练数据会带来高昂的成本,而在三维数据上,小样本学习仍处于发展阶段,现有方法可能无法有效地捕捉研究人员希望融入的受人类启发的特征,导致泛化能力有限,不能使用少量标注样本即可完成学习,如何使用少量三维数据标注样本完成三维数据学习,降低成本是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种基于小样本学习的三维点云分类的方法和系统,用于解决如何使用少量三维数据标注样本完成三维数据学习,降低成本的技术问题。
本申请公开了一种基于小样本学习的三维点云分类的方法,包括如下步骤:
S1、构建三维点云分类的数据集,所述构建三维点云分类的数据集包括构建支持集和构建查询集;
S2、计算所述支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量;
S3、基于支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量对查询集中点云的标签进行预测。
在一种可能的实施方式中,所述每个点的几何特征包括:每个点的坐标;每个点与其邻居中最近邻之间的边,所述每个点与其邻居中最近邻之间的边为每个点与其邻居中最近邻之间的单位向量;每个点与其邻居中次近邻之间的边,所述每个点与其邻居中次近邻之间的边为每个点与其邻居中次近邻之间的单位向量;每个点的法向量,所述每个点的法向量为每个点与其邻居中最近邻之间的单位向量和每个点与其邻居中次近邻之间的单位向量的点积;每个点与其邻居之间的位置的标准差。
在一种可能的实施方式中,所述每个点对应的拉普拉斯向量的计算公式包括:
其中,为第/>个点/>的拉普拉斯向量,/>是/>的k个邻居,/>是用于将点的坐标向量与点/>最近邻的k个局部邻居的向量差的均值相加的拼接操作,为点/>最近邻的k个局部邻居的向量差的均值。
在一种可能的实施方式中,所述基于支持集和查询集中的每个点的几何特征和每个点对应拉普拉斯向量对查询集中点云的标签进行预测,包括:
S31、基于对称操作将支持集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取支持集聚合特征;基于对称操作将查询集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取查询集聚合特征;
S32、将支持集聚合特征和查询集聚合特征分别作为输入传递给多层感知机
模型;
S33、计算支持集聚合特征嵌入多层感知机的均值与查询集聚合特征嵌入
多层感知机间的距离,并基于所述距离对查询集中点云的标签进行预测。
作为本申请的第二方面,还公开了一种基于小样本学习的三维点云分类的系统,包括:
数据集构建模块,用于构建三维点云分类的数据集,所述构建三维点云分类的数据集包括构建支持集和构建查询集;
特征提取模块,用于计算所述支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量;
分类模块,用于基于支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量对查询集中点云的标签进行预测。
在一种可能的实施方式中,所述每个点的几何特征包括:每个点的坐标;每个点与其邻居中最近邻之间的边,所述每个点与其邻居中最近邻之间的边为每个点与其邻居中最近邻之间的单位向量;每个点与其邻居中次近邻之间的边,所述每个点与其邻居中次近邻之间的边为每个点与其邻居中次近邻之间的单位向量;每个点的法向量,所述每个点的法向量为每个点与其邻居中最近邻之间的单位向量和每个点与其邻居中次近邻之间的单位向量的点积;每个点与其邻居之间的位置的标准差。
在一种可能的实施方式中,所述每个点对应的拉普拉斯向量的计算公式包括:
其中,为第/>个点/>的拉普拉斯向量,/>是/>的k个邻居,/>是用于将点的坐标向量与点/>最近邻的k个局部邻居的向量差的均值相加的拼接操作,为点/>最近邻的k个局部邻居的向量差的均值。
在一种可能的实施方式中,所述分类模块包括:
聚合特征单元,所述聚合特征单元用于基于对称操作将支持集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取支持集聚合特征;基于对称操作将查询集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取查询集聚合特征;
输入单元,用于将支持集聚合特征和查询集聚合特征分别作为输入传递给多层感知机模型;
标签预测单元,用于计算支持集聚合特征嵌入多层感知机的均值与查询集聚合特征嵌入多层感知机间的距离,并基于所述距离对查询集中点云的标签进行预测。
作为本申请的第三方面,本申请提供了一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
作为本申请的第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述任一项所述的方法。
通过引入几何特征提取点云中每个点的局部特征信息,其次通过拉普拉斯向量来提取点云中边缘和角落的抽象信息,可以更好的提取点云的特征信息用于点云的小样本学习,实现少量的三维数据标注样本完成三维数据学习进而实现三维点云分类,降低成本。
本申请的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本申请的实践中得到教导。本申请的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本申请,而不能理解为对本申请的保护范围的限制。
图1是本申请的系统流程图;
图2是本申请系统结构图;
其中,1、数据集构建模块;2、特征提取模块;3、分类模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的上述描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,本实施例提供了一种基于小样本学习的三维点云分类的方法,包括如下步骤:
S1、构建三维点云分类的数据集,所述构建三维点云分类的数据集包括构建支持集和构建查询集。支持集为已标注样本,查询集为未标注样本。
小样本学习中,通过包含K个类别、K个类别中每个类别N个样本的支持集以及查询集来优化学习。具体为,对于支持集,其包含/>个样本被从每个类别的/>中随机选取,其中/>为每个类别对应的样本的数量,/>,剩下个样本在查询集/>中,/>。
S2、计算所述支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量;
在一些实施例中,所述每个点的几何特征包括:每个点与其邻居中最近邻之间的边、每个点与其邻居中次近邻之间的边、每个点的法向量和每个点所有邻居的标准差。
通过设计的几何解释器捕捉点云的局部拓扑,给定是一组基本的几何特征,基于几何特征快速计算和捕捉点云的局部拓扑。几何特征包括每个点的坐标,每个点与其邻居中最近邻之间的边,所述每个点与其邻居中最近邻之间的边为每个点与其邻居中最近邻之间的单位向量,每个点与其邻居中次近邻之间的边,所述每个点与其邻居中次近邻之间的边为每个点与其邻居中次近邻之间的单位向量,每个点的法向量,所述每个点的法向量为每个点与其邻居中最近邻之间的单位向量和每个点与其邻居中次近邻之间的单位向量的点积,每个点与其所有邻居的位置的标准差。
其中,为点/>的最近邻的点/>的边,/>为点/>的次近邻的点/>的边,/>为边/>的长度,/>为边/>的长度,/>为点/>的法线,/>为点/>与其所有邻居的位置的标准差,/>是基于点/>与其/>个所有邻居的三个坐标维度中每个维度都计算一个标准差,因此/>还是一个向量,/>为三维的向量空间。根据/>这组偏差向量,基于/>可以提取每个点的的几何特征,基于/>、/>、/>、/>和/>所在的/>是独立的,因此,/>为点/>所在的/>、/>所在的/>、/>所在的/>、/>所在的/>和/>所在的/>的和。邻居位置、法线位置以及偏差向量有助于捕获点云的局部几何信息。
在一些实施例中,所述每个点对应的拉普拉斯向量的计算公式包括:
其中,为第/>个点/>的拉普拉斯向量,/>是/>的k个局部邻居,在KNN算法中,点/>是/>的k个局部邻居是指从数据集中基于欧几里得距离、曼哈顿距离等度量找到与点/>在特征空间中最接近的k个点,/>是用于将点/>的坐标向量与点/>最近邻的k个局部邻居的向量差的均值相加的拼接操作,/>为点/>最近邻的k个局部邻居的向量差的均值;拉普拉斯向量基于点/>的坐标向量和其邻居的坐标向量来更好的表示点/>在空间中的位置。每个点的拉普拉斯向量捕捉了每个点与其邻居向量之间的分布、大小和方向,从而有助于提取点云中边缘和角落的抽象信息。
S3、基于支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量对查询集中点云的标签进行预测。通过支持集的标签从多层感知机模型/>中预测/>。
在一些实施例中,通过使用一个简单的多层感知机模型,对提取的特征进行学习,同时在损失函数中,引入双曲空间嵌入的方法来计算点之间的距离,从而让模型更好的学习每个点之间的相似性,更好的完成三维点云分类任务;所述基于支持集和查询集中的每个点的几何特征和每个点对应拉普拉斯向量对查询集中点云的标签进行预测,包括:
S31、基于对称操作将支持集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取支持集聚合特征;基于对称操作将查询集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取查询集聚合特征;基于和/>将支持集和查询集的点转换为几何特征,通过使用对称操作(max、mean和sum)对支持集和查询集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合得到支持集聚合特征和查询集聚合特征;
S32、将支持集聚合特征和查询集聚合特征分别作为输入传递给多层感知机模型;
多层感知机模型为一个仅包含一个隐藏层(一个全连接层)的神经网络,具体模型的学习过程如公式所示:
;
;
;
其中,,/>是隐藏层的权重矩阵,/>,/>是输出层的权重矩阵,/>是激活函数,/>是输入为每个点的聚合特征,所述聚合特征为基于每个点的几何特征的坐标相加拼接后的特征/>再与拉普拉斯向量/>的坐标相加拼接的特征向量,/>为点/>的几何特征的坐标相加拼接的特征向量,/>为点/>的最近邻的点/>的边,为点/>的次近邻的点/>的边/>,/>为点/>的法线,/>为点/>与其所有邻居的位置的标准差;
S33、计算支持集聚合特征嵌入多层感知机的均值与查询集聚合特征嵌入多层感知机间的距离,并基于所述距离对查询集中点云的标签进行预测;
所述的计算公式为:
其中,为支持集聚合特征嵌入多层感知机的均值,/>为支持集,/>为支持集中的点,/>为支持集种的点/>经过多层感知机的结果,/>为支持集的标签,/>为支持集每个类别对应的数据集;
所述基于所述距离对查询集中点云的标签进行预测包括:
初始化损失为0,然后循环k轮,每轮循环中,选择查询集中的每个点计算与支持集的标签之间的差值,并更新损失/>,公式如下:
;
通过多层感知机计算得出的结果与均值之间的距离来更新损失;其中,为双曲空间中点/>与/>的距离,/>是多层感知机的结果;/>为训练轮次;/>为支持集每个类别对应的数据集;/>为查询集每个类别对应的数据集;/>为支持集聚合特征嵌入多层感知机的均值。
通过引入度量学习,将特征嵌入在双曲空间中,以此来比较样本之间的相似性。具体来说双曲空间具有独特的性质,如随距离指数增长的体积,可以更有效地建模复杂的分层结构,本发明使用庞加莱球模型在双曲空间中嵌入特征,对于点云中的两个点,在曲率为/>的双曲空间中的距离计算如公式如下:
通过k轮的训练,分类模块最终完成基于小样本学习的三维点云分类。
几何解释器通过将点云中的点映射到几何空间中,从而更好的提取每个点的局部特征,拉普拉斯向量通过计算各个点邻居的信息来更好的提取点云中边缘部分的特征;分类模块中的双曲空间嵌入,通过在双曲空间中计算点之间的距离,从而让多层感知机模型更好的学习样本之间的差异以更好的完成分类任务。
作为本申请的第二方面,还公开了一种基于小样本学习的三维点云分类的系统,包括:
数据集构建模块1,用于构建三维点云分类的数据集,所述构建三维点云分类的数据集包括构建支持集和构建查询集;
特征提取模块2,用于计算所述支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量;
分类模块3,用于基于支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量对查询集中点云的标签进行预测。
在一些实施例中,所述每个点的几何特征包括:每个点的坐标;每个点与其邻居中最近邻之间的边,所述每个点与其邻居中最近邻之间的边为每个点与其邻居中最近邻之间的单位向量;每个点与其邻居中次近邻之间的边,所述每个点与其邻居中次近邻之间的边为每个点与其邻居中次近邻之间的单位向量;每个点的法向量,所述每个点的法向量为每个点与其邻居中最近邻之间的单位向量和每个点与其邻居中次近邻之间的单位向量的点积;每个点与其邻居之间的位置的标准差。
在一些实施例中,所述每个点对应的拉普拉斯向量的计算公式包括:
其中,为第/>个点/>的拉普拉斯向量,/>是/>的k个局部邻居,/>是用于将点/>的坐标向量与点/>最近邻的k个局部邻居的向量差的均值相加的拼接操作,为点/>最近邻的k个局部邻居的向量差的均值,通过拉普拉斯向量基于点的坐标向量和其周边邻居向量来更好的表示点/>在空间中的位置。
在一些实施例中,所述分类模块包括:
聚合特征单元,所述聚合特征单元用于基于对称操作将支持集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取支持集聚合特征;基于对称操作将查询集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取查询集聚合特征;
输入单元,用于将支持集聚合特征和查询集聚合特征分别作为输入传递给多层感知机模型;
标签预测单元,用于计算支持集聚合特征嵌入多层感知机的均值与查询集聚合特征嵌入多层感知机间的距离,并基于所述距离对查询集中点云的标签进行预测。
作为本申请的第三方面,本申请提供了一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
作为本申请的第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述任一项所述的方法。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本申请的实施方式,但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于小样本学习的三维点云分类的方法,其特征在于,包括如下步骤:
S1、构建三维点云分类的数据集,所述构建三维点云分类的数据集包括构建支持集和构建查询集;S2、计算所述支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量;S3、基于支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量对查询集中点云的标签进行预测;
所述每个点的几何特征包括:每个点的坐标;每个点与其邻居中最近邻之间的边,所述每个点与其邻居中最近邻之间的边为每个点与其邻居中最近邻之间的单位向量;每个点与其邻居中次近邻之间的边,所述每个点与其邻居中次近邻之间的边为每个点与其邻居中次近邻之间的单位向量;每个点的法向量,所述每个点的法向量为每个点与其邻居中最近邻之间的单位向量和每个点与其邻居中次近邻之间的单位向量的点积;每个点与其邻居之间的位置的标准差;
所述每个点对应的拉普拉斯向量的计算公式包括:
;
其中,为第/>个点/>的拉普拉斯向量,/>是/>的最近邻的/>个局部邻居,是用于将点/>的坐标向量与点/>最近邻的/>个局部邻居的向量差的均值相加的拼接操作,/>为点/>最近邻的/>个局部邻居的向量差的均值;
所述基于支持集和查询集中的每个点的几何特征和每个点对应拉普拉斯向量对查询集中点云的标签进行预测,包括:S31、基于对称操作将支持集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取支持集聚合特征;基于对称操作将查询集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取查询集聚合特征;S32、将支持集聚合特征和查询集聚合特征分别作为输入传递给多层感知机模型;S33、计算支持集聚合特征嵌入多层感知机的均值与查询集聚合特征嵌入多层感知机间的距离,并基于所述距离对查询集中点云的标签进行预测。
2.一种基于小样本学习的三维点云分类的系统,其特征在于,包括:数据集构建模块,用于构建三维点云分类的数据集,所述构建三维点云分类的数据集包括构建支持集和构建查询集;特征提取模块,用于计算所述支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量;分类模块,用于基于支持集和查询集中的每个点的几何特征和每个点对应的拉普拉斯向量对查询集中点云的标签进行预测;
所述每个点的几何特征包括:每个点的坐标;每个点与其邻居中最近邻之
间的边,所述每个点与其邻居中最近邻之间的边为每个点与其邻居中最近邻之
间的单位向量;每个点与其邻居中次近邻之间的边,所述每个点与其邻居中次
近邻之间的边为每个点与其邻居中次近邻之间的单位向量;每个点的法向量,
所述每个点的法向量为每个点与其邻居中最近邻之间的单位向量和每个点与其
邻居中次近邻之间的单位向量的点积;每个点与其邻居之间的位置的标准差;
所述每个点对应的拉普拉斯向量的计算公式包括:
;
其中,为第/>个点/>的拉普拉斯向量,/>是/>的最近邻的/>个局部邻居,是用于将点/>的坐标向量与点/>最近邻的/>个局部邻居的向量差的均值相加的拼接操作,/>为点/>最近邻的/>个局部邻居的向量差的均值;
所述分类模块包括:聚合特征单元,所述聚合特征单元用于基于对称操作将支持集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取支持集聚合特征;基于对称操作将查询集中的每个点的几何特征和每个点对应拉普拉斯向量进行聚合获取查询集聚合特征;输入单元,用于将支持集聚合特征和查询集聚合特征分别作为输入传递给多层感知机模型;标签预测单元,用于计算支持集聚合特征嵌入多层感知机的均值与查询集聚合特征嵌入多层感知机间的距离,并基于所述距离对查询集中点云的标签进行预测。
3.一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1所述的方法。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314641.XA CN117058470B (zh) | 2023-10-12 | 2023-10-12 | 一种基于小样本学习的三维点云分类的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311314641.XA CN117058470B (zh) | 2023-10-12 | 2023-10-12 | 一种基于小样本学习的三维点云分类的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058470A CN117058470A (zh) | 2023-11-14 |
CN117058470B true CN117058470B (zh) | 2024-01-26 |
Family
ID=88661211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311314641.XA Active CN117058470B (zh) | 2023-10-12 | 2023-10-12 | 一种基于小样本学习的三维点云分类的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058470B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210034429A (ko) * | 2019-09-20 | 2021-03-30 | 아주대학교산학협력단 | 이웃 연결성 합성곱 신경망을 이용한 포인트 클라우드 분류 장치 및 방법 |
CN114067160A (zh) * | 2021-11-22 | 2022-02-18 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
CN114639000A (zh) * | 2022-03-30 | 2022-06-17 | 浙江大学 | 一种基于跨样本注意力聚合的小样本学习方法和装置 |
CN115496137A (zh) * | 2022-09-15 | 2022-12-20 | 磐基技术有限公司 | 基于标签传播和分布转换的小样本分类方法及相关装置 |
CN116664826A (zh) * | 2023-02-17 | 2023-08-29 | 中国人民解放军战略支援部队信息工程大学 | 一种小样本点云语义分割方法 |
CN116863327A (zh) * | 2023-06-05 | 2023-10-10 | 中国石油大学(华东) | 一种基于双域分类器协同对抗的跨域小样本分类方法 |
-
2023
- 2023-10-12 CN CN202311314641.XA patent/CN117058470B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210034429A (ko) * | 2019-09-20 | 2021-03-30 | 아주대학교산학협력단 | 이웃 연결성 합성곱 신경망을 이용한 포인트 클라우드 분류 장치 및 방법 |
CN114067160A (zh) * | 2021-11-22 | 2022-02-18 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
CN114639000A (zh) * | 2022-03-30 | 2022-06-17 | 浙江大学 | 一种基于跨样本注意力聚合的小样本学习方法和装置 |
CN115496137A (zh) * | 2022-09-15 | 2022-12-20 | 磐基技术有限公司 | 基于标签传播和分布转换的小样本分类方法及相关装置 |
CN116664826A (zh) * | 2023-02-17 | 2023-08-29 | 中国人民解放军战略支援部队信息工程大学 | 一种小样本点云语义分割方法 |
CN116863327A (zh) * | 2023-06-05 | 2023-10-10 | 中国石油大学(华东) | 一种基于双域分类器协同对抗的跨域小样本分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117058470A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rocco et al. | Efficient neighbourhood consensus networks via submanifold sparse convolutions | |
Zhu et al. | Evaluating spatiotemporal interest point features for depth-based action recognition | |
Wu et al. | 3d shapenets: A deep representation for volumetric shapes | |
Hong et al. | Image-based three-dimensional human pose recovery by multiview locality-sensitive sparse retrieval | |
Chowdhary | 3D object recognition system based on local shape descriptors and depth data analysis | |
Gao et al. | Image categorization: Graph edit distance+ edge direction histogram | |
Chen et al. | TriViews: A general framework to use 3D depth data effectively for action recognition | |
Li et al. | HEGM: A hierarchical elastic graph matching for hand gesture recognition | |
Jeon et al. | Guided semantic flow | |
CN108875456A (zh) | 目标检测方法、目标检测装置和计算机可读存储介质 | |
Deng et al. | Efficient 3D face recognition using local covariance descriptor and Riemannian kernel sparse coding | |
Chu et al. | Local region partition for person re-identification | |
Kim et al. | Discovering characteristic landmarks on ancient coins using convolutional networks | |
Lu et al. | Learning-based bipartite graph matching for view-based 3D model retrieval | |
Mursalin et al. | Deep learning for 3D ear detection: A complete pipeline from data generation to segmentation | |
Yu et al. | Recognition of human continuous action with 3D CNN | |
Jabberi et al. | Face shapenets for 3d face recognition | |
CN117058470B (zh) | 一种基于小样本学习的三维点云分类的方法和系统 | |
Huang et al. | Learning rebalanced human parsing model from imbalanced datasets | |
Li et al. | Spatial and temporal information fusion for human action recognition via Center Boundary Balancing Multimodal Classifier | |
Dalara et al. | Entity Recognition in Indian Sculpture using CLAHE and machine learning | |
Mhamdi et al. | A local approach for 3D object recognition through a set of size functions | |
Jun et al. | Two-view correspondence learning via complex information extraction | |
Zhang et al. | Visual attribute detction for pedestrian detection | |
Zheng et al. | A fast 3D object recognition pipeline in cluttered and occluded scenes |
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 |