期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合可变形核和自注意力的点云分类分割边卷积网络
1
作者
陈思帆
杨家志
+2 位作者
黄琳
吕志玮
沈露
《计算机工程》
北大核心
2025年第6期146-154,共9页
点云数据具有无序性和离散分布的特点,传统动态图卷积方法在处理点云数据时仍充满挑战,无法准确地表示三维点间的特征对应关系。为此,提出一种融合可变形核和自注意力的点云分类分割边卷积网络DKSA-Net,该网络由DKConv(Deformable Kerne...
点云数据具有无序性和离散分布的特点,传统动态图卷积方法在处理点云数据时仍充满挑战,无法准确地表示三维点间的特征对应关系。为此,提出一种融合可变形核和自注意力的点云分类分割边卷积网络DKSA-Net,该网络由DKConv(Deformable Kernels Edge Convolution)模块和SAConv(Self-Attention Edge Convolution)模块组成。通过融合可变形核与边卷积构建DKConv模块,能够动态学习点的特征,生成可变形核,不会忽略不同特征之间的对应关系,从而更好地处理不同特征之间的对应关系。引入自注意力机制,并与边卷积结合构建SAConv模块,能够对特征进行更细粒度的特征提取,充分捕捉点云的重要特征,增强模型的判别能力。实验结果表明,DKSA-Net在ModelNet40和ShapeNet数据集上取得出色性能,分别达到93.4%的总体精度(OA)、90.7%的平均精度(mAcc)和86.1%的平均并交比(mIoU),且有着较低模型复杂度和较好鲁棒性,具有优秀的点云数据处理能力。
展开更多
关键词
可变形核
自注意力
点云分类
点云分割
深度学习
在线阅读
下载PDF
职称材料
结合区域结构关系和自注意力的边卷积点云分类分割网络
2
作者
吕志玮
杨家志
+1 位作者
周国清
沈露
《计算机工程与应用》
CSCD
北大核心
2024年第13期171-179,共9页
针对深度学习点云网络中区域内上下文和关系特征捕获不充分问题,提出了一种新的网络框架ISEC-Net(inter-region structure relations and self-attention edge convolution network)。该网络由IrConv(inter-region convolution)模块和Sa...
针对深度学习点云网络中区域内上下文和关系特征捕获不充分问题,提出了一种新的网络框架ISEC-Net(inter-region structure relations and self-attention edge convolution network)。该网络由IrConv(inter-region convolution)模块和SaConv(self-attention convolution)模块组成,SaConv模块可以提取到更细粒的边特征,而IrConv可以动态地将局部结构信息集成到点特征中,然后自适应地捕获区域间关系。在ModelNet40数据集和ShapeNet数据集上分别对点云分类和部件分割进行了大量实验,实验结果表明,在ModelNet40数据集上,ISEC-Net模型的总体精度(OA)达到了93.5%,平均精度(mAcc)达到了90.7%;而在ShapeNet数据集上,平均并交比(mIoU)达到了86.1%,并且在单类并交比(IoU)实验中吉他、耳机、杯子等部件分割精度表现优异,说明ISEC-Net与传统的动态图卷积相比,能够精确地捕捉点云的局部特征和精细结构并加强全局特征的聚合,具有出色的有效性和泛化能力。
展开更多
关键词
边卷积
区域上下文
区域关系
自注意力
深度学习
在线阅读
下载PDF
职称材料
题名
融合可变形核和自注意力的点云分类分割边卷积网络
1
作者
陈思帆
杨家志
黄琳
吕志玮
沈露
机构
桂林理工大学计算机科学与工程学院
桂林航天工业学院机电工程学院
桂林理工大学物理与电子信息工程学院
出处
《计算机工程》
北大核心
2025年第6期146-154,共9页
基金
国家自然科学基金(62166012)。
文摘
点云数据具有无序性和离散分布的特点,传统动态图卷积方法在处理点云数据时仍充满挑战,无法准确地表示三维点间的特征对应关系。为此,提出一种融合可变形核和自注意力的点云分类分割边卷积网络DKSA-Net,该网络由DKConv(Deformable Kernels Edge Convolution)模块和SAConv(Self-Attention Edge Convolution)模块组成。通过融合可变形核与边卷积构建DKConv模块,能够动态学习点的特征,生成可变形核,不会忽略不同特征之间的对应关系,从而更好地处理不同特征之间的对应关系。引入自注意力机制,并与边卷积结合构建SAConv模块,能够对特征进行更细粒度的特征提取,充分捕捉点云的重要特征,增强模型的判别能力。实验结果表明,DKSA-Net在ModelNet40和ShapeNet数据集上取得出色性能,分别达到93.4%的总体精度(OA)、90.7%的平均精度(mAcc)和86.1%的平均并交比(mIoU),且有着较低模型复杂度和较好鲁棒性,具有优秀的点云数据处理能力。
关键词
可变形核
自注意力
点云分类
点云分割
深度学习
Keywords
deformable kernel
self-attention
point cloud classification
point cloud segmentation
deep learning
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
结合区域结构关系和自注意力的边卷积点云分类分割网络
2
作者
吕志玮
杨家志
周国清
沈露
机构
桂林理工大学信息科学与工程学院
广西嵌入式技术与智能系统重点实验室
出处
《计算机工程与应用》
CSCD
北大核心
2024年第13期171-179,共9页
基金
国家自然科学基金(62166012)
广西创新驱动发展专项资金项目(桂科AA18118038)
广西科技基地和人才专项(桂科AD19254002)。
文摘
针对深度学习点云网络中区域内上下文和关系特征捕获不充分问题,提出了一种新的网络框架ISEC-Net(inter-region structure relations and self-attention edge convolution network)。该网络由IrConv(inter-region convolution)模块和SaConv(self-attention convolution)模块组成,SaConv模块可以提取到更细粒的边特征,而IrConv可以动态地将局部结构信息集成到点特征中,然后自适应地捕获区域间关系。在ModelNet40数据集和ShapeNet数据集上分别对点云分类和部件分割进行了大量实验,实验结果表明,在ModelNet40数据集上,ISEC-Net模型的总体精度(OA)达到了93.5%,平均精度(mAcc)达到了90.7%;而在ShapeNet数据集上,平均并交比(mIoU)达到了86.1%,并且在单类并交比(IoU)实验中吉他、耳机、杯子等部件分割精度表现优异,说明ISEC-Net与传统的动态图卷积相比,能够精确地捕捉点云的局部特征和精细结构并加强全局特征的聚合,具有出色的有效性和泛化能力。
关键词
边卷积
区域上下文
区域关系
自注意力
深度学习
Keywords
edge convolution
regional context
regional relationship
self-attention
deep learning
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合可变形核和自注意力的点云分类分割边卷积网络
陈思帆
杨家志
黄琳
吕志玮
沈露
《计算机工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
结合区域结构关系和自注意力的边卷积点云分类分割网络
吕志玮
杨家志
周国清
沈露
《计算机工程与应用》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
