-
题名集图卷积和三维方向卷积的点云分类分割模型
被引量：12
- 1
-
-
作者
兰红
陈浩
张蒲芬
-
机构
江西理工大学信息工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第8期182-191,共10页
-
基金
国家自然科学基金(61762046)
江西省自然科学基金(20161BAB212048)
江西理工大学研究生创新专项资金项目(XY2021-S090)。
-
文摘
现有的深度学习方法在提取点云的局部特征时往往忽略了节点间的位置关系和方向信息,导致不能有效地学习点云的局部特征。为解决这一问题,提出一种集图卷积和三维方向卷积的点云分类分割模型GCN3D。GCN3D模型将图卷积神经网络应用在点云分类分割领域。将点云视作图上的节点,对每个节点求其K近邻,建立局部K近邻邻域内两两节点之间的边,并通过图卷积神经网络参数化边特征以捕捉节点间局部位置关系并更新中心节点特征;使用方向编码模块将节点的邻域划分为八个方位的细粒度的邻域小块,并按照三维空间坐标轴的方向依次将局部邻域结构内的节点特征映射到不同细粒度邻域空间内以提取节点间的方向信息,并且叠加两个方向编码模块增大网络的感受野,提高模型对于稀疏点云数据的鲁棒性并获取局部邻域多尺度特征。在ModelNet40数据集和ShapeNet数据集上分别进行点云分类和点云部分分割的实验。结果表明,相比没有考虑局部特征信息的PointNet,GCN3D模型在ModelNet40数据集上的总体分类精度提高了3.8个百分点,平均分类精度提高了4.3个百分点;在ShapeNet数据集上的平均交并比提高了1.5个百分点。相比其他深度学习模型性能有不同程度的提高。
-
关键词
点云
分类分割
图卷积神经网络
三维方向卷积
细粒度邻域
多尺度
-
Keywords
point cloud
classification and segmentation
graph convolution neural network
three dimensional direction convolution
fine grained neighborhood
multiscale
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于增强型图卷积的骨架识别模型
被引量：1
- 2
-
-
作者
兰红
何璠
张蒲芬
-
机构
江西理工大学信息工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2021年第12期3791-3795,3825,共6页
-
基金
2020年江西省大学生创新基金资助项目。
-
文摘
针对现有骨架动作识别主要采用双流框架,在提取时间空间以及通道特征方法上存在的问题,提出一个ADGCN,用于骨架动作识别。首先对骨架数据进行建模,分别将关节、骨骼及其关节和骨骼的运动信息输入到多流框架的单个流。然后将输入的数据传送到提出的有向图卷积网络中进行提取关节和骨骼之间的依赖关系,再利用提出的时空通道注意力网络(STCN),增强每层网络中关键关节的时间、空间以及通道的信息。最后将四个流的信息通过加权平均计算动作识别的精度,输出动作的预测结果。此模型在两个大型数据集NTU-RGB+D和Kinectics-Skeleton中进行训练和验证,验证的结果与基线方法DGNN(有向图神经网络)相比,在NTU-RGB+D数据集上,在两个交叉子集CS和CV上的准确率分别提升了2.43%和1.2%。在Kinectics-Skeleton数据集的top1和top5上的准确率分别提升了0.7%和0.9%。提出的ADGCN可以有效地增强骨架动作识别的性能,在两个大型数据集上的效果都有所提升。
-
关键词
动作识别
图卷积
注意力增强
多流框架
-
Keywords
action recognition
graph convolution networks
attentional enhancement
multi-stream
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
