-
题名一种改进的点云Transformer深度学习模型
被引量：5
- 1
-
-
作者
高金金
李潞洋
-
机构
山西财经大学实验中心
中北大学大数据学院
-
出处
《中北大学学报（自然科学版）》
CAS
2021年第6期515-523,共9页
-
基金
国家重点研发计划项目(2018YFB2101504)
国家自然科学基金资助项目(61801279)。
-
文摘
针对点云Transformer中注意力计算单一与局部特征嵌入损失的问题,本文提出了一种改进的点云Transformer编码结构.首先,在自注意力权重矩阵的计算中进行多头分拆分并独立计算注意力得分,以实现从多个方面的自注意力计算.然后,在邻域编码时增加了多空间尺度邻域特征嵌入,以融合多个尺度上的邻域特征.最后,为特征增加了自适应的空间位置编码嵌入,以增强绝对空间位置特征.基于改进的Transformer编码结构,构建了形状分类、零件分割和法向量估计三种常见点云分析任务的深度学习模型,并在ModelNet与ShapeNet数据集上验证了模型的有效性.实验结果表明,与点云Transformer相比,本文方法的分类准确率与分割平均重叠度分别提高了0.3%和0.2%,这充分验证了改进方法的有效性.
-
关键词
点云
深度学习
形状分类
零件分割
-
Keywords
point cloud
deep learning
shape classification
part segmentation
-
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
-
-
题名基于CAS的服务器虚拟化在高校实验室的应用
被引量：1
- 2
-
-
作者
高金金
李潞洋
-
机构
山西财经大学实验教学中心
山西省自动化研究所
-
出处
《山西电子技术》
2016年第6期13-14,31,共3页
-
文摘
虚拟化技术的应用可以解决高校实验室服务器管理和维护困难的问题,提高计算资源的利用率。本文讨论了传统服务器管理方式的一些问题,介绍了虚拟化技术带来的便利及其优势,最终实现了基于H3C CAS虚拟化平台的高校实验室服务器的虚拟化设计与部署。
-
关键词
服务器虚拟化
高校实验室
CAS
-
Keywords
server virtualization
university laboratory
CAS
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名山西风电场与光伏电站集群控制系统研究与开发
被引量：1
- 3
-
-
作者
李潞洋
-
机构
山西省自动化研究所
-
出处
《山西电子技术》
2018年第2期81-83,共3页
-
基金
2014年度山西省煤基重点科技攻关项目"大规模间歇式新能源并网技术开发"(MD2014-06)
-
文摘
本论文研究了适应大规模风电场群及光伏电站群并网的数据采集及监视技术、有功协调控制技术、电压协调优化控制技术,在线监视分析、在线有功、无功控制决策等内容,完成了山西风电场与光伏电站集群控制系统研究与开发,并实施了闭环控制。
-
关键词
风电厂
光伏电站
新能源发电
集群控制
-
Keywords
wind power plant
photovoltaic power station
new energy power generation
cluster control
-
分类号
TM614
[电气工程—电力系统及自动化]
TM615
[电气工程—电力系统及自动化]
-
-
题名基于环形阵列视觉的地铁管片病害检测系统
- 4
-
-
作者
李潞洋
-
机构
山西省自动化研究所智能交通事业部
-
出处
《山西电子技术》
2017年第2期43-44,48,共3页
-
文摘
针对地铁投入运营后传统方式检测隧道管片病害信息存在的工作效率低下、人工成本高等问题,设计了一种基于环形阵列视觉的地铁管片病害检测系统;介绍了该系统的整体设计,并着重阐述了视觉信息数据采集系统和视觉数据处理系统的实现方式,最终完成了一种高度智能化的地铁管片病害检测系统。
-
关键词
环形阵列
计算机视觉
地铁管片病害
检测
-
Keywords
ring array
computer vision
subway tunnel Segment
defects inspection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于多重注意力机制的点云深度学习解码器
- 5
-
-
作者
陈炜哲
高金金
李潞洋
-
机构
山西省信息产业技术研究院有限公司
山西财经大学实验中心
-
出处
《中北大学学报（自然科学版）》
CAS
2022年第5期441-447,共7页
-
基金
山西省基础研究计划项目(20210302124622)。
-
文摘
针对点云深度学习模型中解码器特征上采样存在的空间与特征结构损失的问题,提出一种基于注意力机制的特征插值上采样解码器方法.该解码器主要由空间注意力与特征注意力插值特征上采样组成.首先,根据点的空间位置特征之间的注意力关系,通过空间注意力插值计算上采样点的空间插值特征,然后利用空间插值特征与下采样点之间的特征注意力关系计算特征插值,最终将插值特征与编码特征跳跃连接,并进行特征混合后输出解码特征.在实验中,将本文提出的解码器嵌入到多种点云深度学习模型中,并在ShapeNet与ModelNet两种数据集上验证解码器的有效性.试验结果表明,与传统的三点线性插值模型相比,本文提出的方法在零件分割任务中平均重叠度提高0.5%,法向量估计任务中平均余弦距离误差降低13%,这充分验证了解码器的有效性.
-
关键词
多重注意力机制
点云
深度学习
解码器
-
Keywords
multiple attention mechanisms
point cloud
deep learning
decoder
-
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
-
