CN117422645A - 基于置信度聚合的雷达点云形状补全方法 - Google Patents
基于置信度聚合的雷达点云形状补全方法 Download PDFInfo
- Publication number
- CN117422645A CN117422645A CN202311515714.1A CN202311515714A CN117422645A CN 117422645 A CN117422645 A CN 117422645A CN 202311515714 A CN202311515714 A CN 202311515714A CN 117422645 A CN117422645 A CN 117422645A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- confidence
- feature
- resolution
- level
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002776 aggregation Effects 0.000 title claims abstract description 45
- 238000004220 aggregation Methods 0.000 title claims abstract description 45
- 230000000295 complement effect Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000011084 recovery Methods 0.000 claims abstract description 10
- 230000006798 recombination Effects 0.000 claims abstract description 8
- 238000005215 recombination Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 241000282326 Felis catus Species 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008521 reorganization Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2008—Assembling, disassembling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及机器视觉技术领域,具体提供一种基于置信度聚合的雷达点云形状补全方法,具体包括:S1.将残缺点云P输入由SA模块和FP模块构成的残差结构中提取特征信息,并在残差结构中引入置信度聚合单元,用于对特征信息进行信息调节,得到粗糙点云;其中,在置信度聚合单元中添加置信门,用于引导残缺点云P的细节的恢复;S2.将粗糙点云输入打破重组优化模块中先进行打破处理,提升特征的维度,再获取提升维度后的特征的特征置信度;结合特征置信度对残破点云进行融合重组,得到完整点云。该方法中可以补全精准的缺失形状,实现雷达点云目标的残缺形状补全,并且针对点云细节恢复具有良好的效果。
Description
技术领域
本发明涉及机器视觉技术领域,具体提供一种基于置信度聚合的雷达点云形状补全方法。
背景技术
雷达在获取点云时有很多不确定的环境因素,例如目标物体部分被遮挡和目标运动模糊等。同时也有雷达的空间分辨率低和角度缺失的问题。因此,原始点云通常是稀疏的和残缺的,与真实物体的几何形状产生较大差异,并且影响传感器系统对环境的感知。点云补全可以将稀疏和不完整的点云重建和恢复成更接近真实的形状。传统方法对未知形状的补全效果不够理想,深度学习方法具有强大的学习和优化功能,被广泛用于点云补全中。但是细节的准确性一直是一个难题。
为了增强点云细节的恢复效果,研究者们构建了很多细节恢复模块。PMP-Net基于原始的门控循环单元结构,提出了一种RPA模块用来记忆和聚合点的路线序列,通过不断地细化移动路径得到精确的点云位置。但是细节处理能力仍然达不到高精度的标准,同时也存在着一定的杂散噪声。
发明内容
本发明为解决上述问题,提供一种基于置信度聚合的雷达点云形状补全方法,可以补全精准的缺失形状,实现雷达点云目标的残缺形状补全,并且针对点云细节恢复具有良好的效果。
本发明提供的于置信度聚合的雷达点云形状补全方法具体包括以下步骤:
S1.将残缺点云P输入由SA模块和FP模块构成的残差结构中提取特征信息,并在残差结构中引入置信度聚合单元,用于对特征信息进行信息调节,得到粗糙点云;其中,在置信度聚合单元中添加置信门,用于引导残缺点云P的细节的恢复;
S2.将粗糙点云输入打破重组优化模块中先进行打破处理,提升特征的维度,再获取提升维度后的特征的特征置信度;结合特征置信度对残破点云进行融合重组,得到完整点云。
进一步的,步骤S1具体包括以下步骤:
S11.将残缺点云输入SA模块中,利用质心邻域分组构建局部区域,从而进行N级的降分辨率操作,得到共N级的降分辨率特征,过程如下式:
Si=SA(Si-1);
其中,i∈[1,N],表示第i次的SA模块操作,Si表示第i级降分辨率特征,SA(·)表示SA模块的操作;
S12.将第N级降分辨率特征与第N-1级降分辨率特征共同输入到FP模块中,使用基于K近邻的逆距离加权平均进行升分辨率操作,得到第N-1级初步升分辨率特征,过程如下式:
SN-1′=FP(SN,SN-1);
其中,SN表示第N级降分辨率特征,SN-1表示第N-1级降分辨率特征,FP(·)表示FP模块的操作,SN-1′表示第N-1级初步升分辨率特征,此时,第N-1级初步升分辨率特征SN-1′的分辨率与第N-1级降分辨率特征SN-1的分辨率一致的;
S13.将N-1级初步升分辨率特征SN-1′输入到置信度聚合单元中提取有效信息,得到第N-1级有效特征SN-1″,过程如下式:
SN-1″=BCA(SN-1′);
其中,BCA(·)表示置信度聚合单元的操作;
S14.将N-1级有效特征与N-2级降分辨率特征重复进行步骤S12至步骤S13,直至得到第0级有效特征S0″,重复过程如下式:
Sj-1′=FP(Sj-1,Sj″);
Sj-1″=BCA(Sj-1′);
其中,j∈[1,N-1],第0级有效特征S0″的分辨率与残缺点云P的分辨率一致;此时,第0级有效特征S0″即为粗糙点云。
进一步的,置信度聚合单元包括重置门、更新门以及置信门;置信度聚合单元将第j级的初步升分辨率特征Sj′中的隐藏状态hj保留下来;
初步升分辨率特征Sj′和隐藏状态hj在重置门的运算过程为:
rj=σsig(Wrj·[hj,Sj′]);
其中,σsig(·)表示sigmoid函数,Wrj表示第j级的重置门的权重矩阵,rj表示第j级的重置门输出;
重置门输出rj和隐藏状态hj在置信门的运算过程为:
cj=σsig(Wcj·[hj,rj]);
其中,Wcj表示第j级的重置门的权重矩阵,cj表示第j级的置信门输出;
同时,初步升分辨率特征Sj′和隐藏状态hj在更新门的运算过程为:
zj=σsig(Wzj·[hj,Sj′])
其中,Wzj表示第j级的更新门的权重矩阵,zj表示第j级的更新门输出;
此时,通过下式得到第j级的候选隐藏状态
其中,σrelu(·)表示relu函数,Whj表示第j级的候选隐藏状态的权重矩阵;
根据更新门输出zj、重置门输出rj以及置信门输出cj得到第j级有效特征Sj″:
进一步的,打破重组优化模块的运算过程具体包括以下步骤:
S21.根据步骤S1中获得的具有N1个点的粗糙点云C,设置具有N2个点的待融合点A,并将粗糙点云C与待融合点A进行拼接操作得到拼接结果Cori,即:
Cori=cat(C,A);
其中,cat(·)表示拼接操作,粗糙点云待融合点/>b表示一次训练所选取的样本数,c表示通道数;
S22.将拼接结果Cori进行打破操作,将维度升高,得到高维度融合点云P,即:
其中,dim表示被打破的维度,Pi和Pj表示粗糙点云C进行维度扩张后的结果,B(·)表示升维操作;
S23.设置一个主路和两个用来辅助主路v的支路/>和/>
S24.构建交叉相乘结构,将主路特征传播到支路中,可以得到:
其中,view(·)表示张量维度重构函数;
此时,支路的初始结果d1′和d2′可表示为:
其中,bmm(·)表示矩阵相乘;
S25.对主路v和支路d1和支路d2进行融合,得到特征置信度f:
f=σsig(W(cat(v,d1′,d2′)));
其中,W表示权重矩阵;结合特征置信度f和残缺点云P进行融合,得到最终的完整点云Pout:
Pout=f×P+P。
与现有技术相比,本发明能够取得如下有益效果:
1)结合SA模块和FP模块构成残差结构,规范网络的学习方向,减少噪声并保证结构的准确性;
2)在已提出的RPA模块的基础上添加了置信门,并提出了置信度聚合单元用来引导点的细节的恢复;
3)使用了打破重组模块进行高维度的内部处理,实现深层次的融合和优化,并恢复点云细节。
附图说明
图1是根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法的整体流程图;
图2是根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法的结构框图;
图3是根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法的步骤S1的流程图;
图4是根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法中置信度聚合单元结构框图;
图5是根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法的打破重组优化模块的运算流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
本发明提供的基于置信度聚合的雷达点云形状补全方法提出由来自于PointNet++的SA(Set Abstraction)模块和FP(Feature Propagation)模块构成的残差框架以保证结构的准确性;提出了置信度聚合单元用来引导点的细节的恢复;以及使用打破重组模块可以补全精准的缺失形状,实现雷达点云目标的残缺形状补全,并且针对点云细节恢复具有良好的效果。
本发明实施例是基于pytorch编程语言实现的。
图1和图2分别示出了根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法的整体流程和结构。
如图1和图2所示,本发明实施例提供的基于置信度聚合的雷达点云形状补全方法具体包括以下步骤:
S1.残缺点云P被SA模块和FP模块构成残差结构提取特征信息,减少噪声并保证结构的准确性;并在残差结构中引入置信度聚合单元对特征信息进行信息调节,并进行回归估计,得到粗糙点云。
图3示出了根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法的步骤S1的流程。
如图3所示,步骤S1具体包括以下步骤:
S11.将残缺点云输入SA模块中,利用质心邻域分组算法构建局部区域,从而进行N级的降分辨率操作,得到共N级的降分辨率特征,过程如下式
Si=SA(Si-1);
其中,i∈[1,N],表示第i次的SA模块操作,Si表示第i级降分辨率特征,SA(·)表示SA模块的操作;
S12.将第N级降分辨率特征与第N-1级降分辨率特征共同输入到FP模块中,使用基于K近邻的逆距离加权平均进行升分辨率操作,得到第N-1级初步升分辨率特征,过程如下式:
SN-1′=FP(SN,SN-1);
其中,SN表示第N级降分辨率特征,SN-1表示第N-1级降分辨率特征,FP(·)表示FP模块的操作,SN-1′表示第N-1级初步升分辨率特征,此时,第N-1级初步升分辨率特征SN-1′的分辨率与第N-1级降分辨率特征SN-1的分辨率一致的;
S13.将N-1级初步升分辨率特征SN-1′输入到置信度聚合单元中提取有效信息,得到第N-1级有效特征SN-1″,过程如下式:
SN-1″=BCA(SN-1′);
其中,BCA(·)表示置信度聚合单元的操作。
S14.将N-1级有效特征与N-2级降分辨率特征重复进行步骤S12至步骤S13,直至得到第0级有效特征S0″,重复过程如下式:
Sj-1′=FP(Sj-1,Sj″);
Sj-1″=BCA(Sj-1′);
其中,j∈[1,N-1],第0级有效特征S0″的分辨率与残缺点云P的分辨率一致;此时,第0级有效特征S0″即为粗糙点云。
图4示出了根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法中置信度聚合单元结构框图。
在提取特征过程中利用置信度聚合单元调节信息的有效性,本发明实施例在PMP-Net和RPA模块提出的重置门和更新门的基础上,在重置门之后引入置信门,构成置信度聚合单元(BCA)。置信门完成对特征信息中隐藏状态的不确定性的量化,衡量路径移动的置信度,从而恢复形状细节。
如图4所示,置信度聚合单元将第j级的初步升分辨率特征Sj′中的隐藏状态hj保留下来;
初步升分辨率特征Sj′和隐藏状态hj在重置门的运算过程为:
rj=σsig(Wrj·[hj,Sj′]);
其中,σsig(·)表示sigmoid函数,Wrj表示第j级的重置门的权重矩阵,rj表示第j级的重置门输出;
重置门输出rj和隐藏状态hj在置信门的运算过程为:
cj=σsig(Wcj·[hj,rj]);
其中,Wcj表示第j级的重置门的权重矩阵,cj表示第j级的置信门输出;
同时,初步升分辨率特征Sj′和隐藏状态hj在更新门的运算过程为:
zj=σsig(Wzj·[hj,Sj′]);
其中,Wzj表示第j级的更新门的权重矩阵,zj表示第j级的更新门输出;
此时,通过下式得到第j级的候选隐藏状态
其中,σrelu(·)表示relu函数,Whj表示第j级的候选隐藏状态的权重矩阵;
根据更新门输出zj、重置门输出rj以及置信门输出cj得到第j级有效特征Sj″:
在本发明实施例中,进行三次残差结构提取特征信息,即N=3。
S2.将粗糙点云输入打破重组优化模块中先进行打破处理,提升特征的维度,再获取提升维度后的特征的特征置信度;结合特征置信度对残破点云进行融合重组,得到完整点云。
图5示出了根据本发明实施例提供的基于置信度聚合的雷达点云形状补全方法的打破重组优化模块的运算流程。
如图5所示,打破重组优化模块的运算过程具体包括以下内容:
S21.根据步骤S1中获得的具有N1个点的粗糙点云C,设置具有N2个点的待融合点A,并将粗糙点云C与待融合点A进行拼接操作得到拼接结果Cori,即:
Cori=cat(C,A);
其中,cat(·)表示拼接操作,粗糙点云待融合点/>,b表示一次训练所选取的样本数,c表示通道数;
S22.将拼接结果Cori进行打破操作,将维度升高,得到高维度融合点云P,即:
其中,dim表示被打破的维度,Pi和Pj表示粗糙点云C进行维度扩张后的结果,B(·)表示升维操作;
S23.设置一个主路和两个用来辅助主路v的支路/>和/>
S24.构建交叉相乘结构,将主路特征传播到支路中,可以得到
其中,view(·)表示pytorch语言中对维度的重构张量维度重构函数;
此时,支路的初始结果d1′和d2′可表示为:
其中,bmm(·)表示矩阵相乘;
S25.对主路v和支路d1和支路d2进行融合,得到特征置信度f:
f=σsig(W(cat(v,d1′,d2′)));
其中,W表示权重矩阵;结合特征置信度f和残缺点云P进行融合,得到最终的完整点云Pout:
Pout=f×P+P。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (4)
1.一种基于置信度聚合的雷达点云形状补全方法,其特征在于,包括以下步骤:
S1.将残缺点云P输入由SA模块和FP模块构成的残差结构中提取特征信息,并在所述残差结构中引入置信度聚合单元,用于对所述特征信息进行信息调节,得到粗糙点云;其中,在所述置信度聚合单元中添加置信门,用于引导所述残缺点云P的细节的恢复;
S2.将所述粗糙点云输入打破重组优化模块中先进行打破处理,提升特征的维度,再获取提升维度后的特征的特征置信度;结合所述特征置信度对所述残破点云进行融合重组,得到完整点云。
2.根据权利要求1所述的基于置信度聚合的雷达点云形状补全方法,其特征在于,所述步骤S1具体包括以下步骤:
S11.将所述残缺点云输入SA模块中,利用质心邻域分组算法构建局部区域,从而进行N级的降分辨率操作,得到共N级的降分辨率特征,过程如下式:
Si=SA(Si-1);
其中,i∈[1,N],表示第i次的SA模块操作,Si表示第i级降分辨率特征,SA(·)表示所述SA模块的操作;
S12.将第N级降分辨率特征与第N-1级降分辨率特征共同输入到FP模块中,使用基于K近邻的逆距离加权平均进行升分辨率操作,得到第N-1级初步升分辨率特征,过程如下式:
SN-1′=FP(SN,SN-1);
其中,SN表示所述第N级降分辨率特征,SN-1表示所述第N-1级降分辨率特征,FP(·)表示所述FP模块的操作,SN-1′表示所述第N-1级初步升分辨率特征,此时,所述第N-1级初步升分辨率特征SN-1′的分辨率与所述第N-1级降分辨率特征SN-1的分辨率一致的;
S13.将所述N-1级初步升分辨率特征SN-1′输入到所述置信度聚合单元中提取有效信息,得到第N-1级有效特征SN-1″,过程如下式:
SN-1″=BCA(SN-1′);
其中,BCA(·)表示所述置信度聚合单元的操作;
S14.将所述N-1级有效特征SN-1″与N-2级降分辨率特征重复进行所述步骤S12至所述步骤S13,直至得到第0级有效特征S0″,重复过程如下式:
Sj-1′=FP(Sj-1,Sj″);
Sj-1″=BCA(Sj-1′);
其中,j∈[1,N-1],所述第0级有效特征S0″的分辨率与所述残缺点云P的分辨率一致;此时,所述第0级有效特征S0″即为所述粗糙点云。
3.根据权利要求2所述的基于置信度聚合的雷达点云形状补全方法,其特征在于,所述置信度聚合单元用于将第j级的初步升分辨率特征Sj′中的隐藏状态hj保留,所述置信度聚合单元包括重置门、更新门以及所述置信门;
所述初步升分辨率特征Sj′和所述隐藏状态hj在所述重置门的运算过程为:
rj=σsig(Wrj·[hj,Sj′]);
其中,σsig(·)表示sigmoid函数,Wrj表示第j级的重置门的权重矩阵,rj表示第j级的重置门输出;
所述重置门输出rj和所述隐藏状态hj在所述置信门的运算过程为:
cj=σsig(Wcj·[hj,rj]);
其中,Wcj表示第j级的重置门的权重矩阵,cj表示第j级的置信门输出;
同时,所述初步升分辨率特征Sj′和所述隐藏状态hj在所述更新门的运算过程为:
zj=σsig(Wzj·[hj,Sj′])
其中,Wzj表示第j级的更新门的权重矩阵,zj表示第j级的更新门输出;
此时,通过下式得到第j级的候选隐藏状态
其中,σrelu(·)表示relu函数,Whj表示第j级的候选隐藏状态的权重矩阵;
根据所述更新门输出zj、所述重置门输出rj以及所述置信门输出cj得到第j级有效特征Sj″:
4.根据权利要求1所述的基于置信度聚合的雷达点云形状补全方法,其特征在于,所述打破重组优化模块的运算过程具体包括以下步骤:
S21.根据所述步骤S1中获得的具有N1个点的粗糙点云C,设置具有N2个点的待融合点A,并将所述粗糙点云C与所述待融合点A进行拼接操作得到拼接结果Cori,即:
Cori=cat(C,A);
其中,cat(·)表示所述拼接操作,所述粗糙点云所述待融合点b表示一次训练所选取的样本数,c表示通道数;
S22.将所述拼接结果Cori进行打破操作,将维度升高,得到高维度融合点云P,即:
其中,dim表示被打破的维度,Pi和Pj表示所述粗糙点云C进行维度扩张后的结果,B(·)表示升维操作;
S23.设置一个主路和两个用来辅助所述主路v的支路/>和/>
S24.构建交叉相乘结构,将主路特征传播到支路中,得到:
其中,view(·)表示张量维度重构函数;
此时,所述支路的初始结果d1′和d2′表示为:
其中,bmm(·)表示矩阵相乘;
S25.对所述主路v和所述支路d1和所述支路d2进行融合,得到特征置信度f:
f=σsig(W(cat(v,d1′,d2′)));
其中,W表示权重矩阵;结合所述特征置信度f和所述残缺点云P进行融合,得到最终的完整点云Pout:
Pout=f×P+P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515714.1A CN117422645B (zh) | 2023-11-14 | 2023-11-14 | 基于置信度聚合的雷达点云形状补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515714.1A CN117422645B (zh) | 2023-11-14 | 2023-11-14 | 基于置信度聚合的雷达点云形状补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422645A true CN117422645A (zh) | 2024-01-19 |
CN117422645B CN117422645B (zh) | 2024-08-27 |
Family
ID=89522903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515714.1A Active CN117422645B (zh) | 2023-11-14 | 2023-11-14 | 基于置信度聚合的雷达点云形状补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422645B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744086A (zh) * | 2013-12-23 | 2014-04-23 | 北京建筑大学 | 一种地面激光雷达与近景摄影测量数据的高精度配准方法 |
CN113052955A (zh) * | 2021-03-19 | 2021-06-29 | 西安电子科技大学 | 一种点云补全方法、系统及应用 |
CN113240594A (zh) * | 2021-04-27 | 2021-08-10 | 四川大学 | 一种基于多层级的高质量点云补全方法 |
CN113887503A (zh) * | 2021-10-22 | 2022-01-04 | 大连工业大学 | 一种基于改进的注意力卷积神经网络白细胞五分类方法 |
WO2022096944A1 (en) * | 2021-04-15 | 2022-05-12 | Sensetime International Pte. Ltd. | Method and apparatus for point cloud completion, network training method and apparatus, device, and storage medium |
CN116309098A (zh) * | 2022-12-09 | 2023-06-23 | 宁波晟达仪器有限公司 | 一种基于对称特征保留的真实场景点云补全方法 |
CN116485975A (zh) * | 2023-04-23 | 2023-07-25 | 上海大学 | 一种融合参数化人体模型的人体点云补全方法及系统 |
CN116503552A (zh) * | 2023-04-14 | 2023-07-28 | 中国地质大学(武汉) | 一种基于多尺度特征融合的由粗到精点云形状补全方法 |
CN116630975A (zh) * | 2023-05-18 | 2023-08-22 | 浙江大学 | 一种基于特征表示分解和鸟瞰图融合的语义场景补全方法 |
US20230281955A1 (en) * | 2022-03-07 | 2023-09-07 | Quidient, Llc | Systems and methods for generalized scene reconstruction |
CN116740324A (zh) * | 2023-06-15 | 2023-09-12 | 电子科技大学 | 一种双路结构的点云补全系统及方法 |
-
2023
- 2023-11-14 CN CN202311515714.1A patent/CN117422645B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744086A (zh) * | 2013-12-23 | 2014-04-23 | 北京建筑大学 | 一种地面激光雷达与近景摄影测量数据的高精度配准方法 |
CN113052955A (zh) * | 2021-03-19 | 2021-06-29 | 西安电子科技大学 | 一种点云补全方法、系统及应用 |
WO2022096944A1 (en) * | 2021-04-15 | 2022-05-12 | Sensetime International Pte. Ltd. | Method and apparatus for point cloud completion, network training method and apparatus, device, and storage medium |
CN113240594A (zh) * | 2021-04-27 | 2021-08-10 | 四川大学 | 一种基于多层级的高质量点云补全方法 |
CN113887503A (zh) * | 2021-10-22 | 2022-01-04 | 大连工业大学 | 一种基于改进的注意力卷积神经网络白细胞五分类方法 |
US20230281955A1 (en) * | 2022-03-07 | 2023-09-07 | Quidient, Llc | Systems and methods for generalized scene reconstruction |
CN116309098A (zh) * | 2022-12-09 | 2023-06-23 | 宁波晟达仪器有限公司 | 一种基于对称特征保留的真实场景点云补全方法 |
CN116503552A (zh) * | 2023-04-14 | 2023-07-28 | 中国地质大学(武汉) | 一种基于多尺度特征融合的由粗到精点云形状补全方法 |
CN116485975A (zh) * | 2023-04-23 | 2023-07-25 | 上海大学 | 一种融合参数化人体模型的人体点云补全方法及系统 |
CN116630975A (zh) * | 2023-05-18 | 2023-08-22 | 浙江大学 | 一种基于特征表示分解和鸟瞰图融合的语义场景补全方法 |
CN116740324A (zh) * | 2023-06-15 | 2023-09-12 | 电子科技大学 | 一种双路结构的点云补全系统及方法 |
Non-Patent Citations (1)
Title |
---|
王鸽等: "基于多源数据关联融合的交通图像深度补全技术研究", 《电子科技》, vol. 36, no. 10, 7 September 2023 (2023-09-07), pages 95 - 102 * |
Also Published As
Publication number | Publication date |
---|---|
CN117422645B (zh) | 2024-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210463B (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
CN110443818B (zh) | 一种基于涂鸦的弱监督语义分割方法与系统 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
CN110210486A (zh) | 一种基于素描标注信息的生成对抗迁移学习方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN110033473A (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
JP2016139176A (ja) | 画像処理装置、画像処理システム、画像処理方法、およびその画像処理プログラム | |
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 | |
CN111680705B (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
CN112613350A (zh) | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 | |
CN110826457B (zh) | 一种复杂场景下的车辆检测方法及装置 | |
CN107844769B (zh) | 一种复杂场景下的车辆检测方法及系统 | |
Zhu et al. | Shadow compensation for synthetic aperture radar target classification by dual parallel generative adversarial network | |
CN111126570A (zh) | 预训练复数全卷积神经网络的sar目标分类方法 | |
CN112200262B (zh) | 支持多任务和跨任务的小样本分类训练方法及装置 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
KR20210127069A (ko) | 융합 모델 신경망의 성능 제어 방법 | |
CN113111975A (zh) | 基于多核尺度卷积神经网络的sar图像目标分类方法 | |
CN116343157A (zh) | 一种道路路面裂缝深度学习提取方法 | |
CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN116485796B (zh) | 害虫检测方法、装置、电子设备及存储介质 |
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 |