-
题名面向点云识别的最近邻搜索硬件加速器
- 1
-
-
作者
陈立
李桢旻
马宇晴
-
机构
合肥工业大学微电子学院
-
出处
《合肥工业大学学报(自然科学版)》
北大核心
2025年第2期179-184,共6页
-
基金
国家重点研发计划资助项目(2018YFB2202604)
安徽省高校协同创新资助项目(GXXT-2019-030)。
-
文摘
动态图卷积神经网络(dynamic graph convolutional neural network,DGCNN)作为点云识别主流算法之一,主要由边缘卷积层构成,而最近邻搜索操作占据边缘卷积层63%的计算时间。文章针对现有的最近邻搜索加速器准确率较低、速度较慢的问题,设计一种面向点云识别的最近邻搜索硬件加速器。该加速器采用基于点云分割的并行双调流水排序结构进行2轮双调排序,并用曼哈顿距离替代欧氏距离衡量点与点距离的远近。实验结果表明,在同样的实验环境配置下,相较于其他点云最近邻搜索加速器,文章设计的最近邻搜索加速器速度提升了3.6倍。
-
关键词
最近邻搜索
硬件加速器
边缘卷积
双调排序
曼哈顿距离
-
Keywords
nearest neighbor search
hardware accelerator
EdgeConv
bitonic sort
Manhattan distance
-
分类号
TN47
[电子电信—微电子学与固体电子学]
-
-
题名基于CSegNet的三维点云室内语义分割研究
被引量：1
- 2
-
-
作者
敖建锋
潘仲泰
程小龙
-
机构
江西理工大学土木与测绘工程学院
-
出处
《激光与红外》
CAS
CSCD
北大核心
2023年第2期194-201,共8页
-
基金
国家自然科学基金青年科学项目(No.42004158)
江西理工大学大学生创新训练项目(No.DC2021-070)资助。
-
文摘
人工智能的发展程度取决于机器对环境的感知能力,即机器对场景理解的能力,这就离不开其中的核心技术—三维点云语义分割,虽然基于深度学习的三维点云语义分割网络层出不穷,但都存在局部特征利用不充分的问题,导致分割效果不佳。本文针对这个问题,受PointNet++和TSegNet的启发,设计了具有双层结构的CSegNet模型。首先,编码部分使用逐点卷积来取代PointNet层捕捉点云的局部特征;其次,解码部分使用PointDeconv层恢复原始点云结构;最后加入边缘卷积来更有效的提取局部特征,并解决边界不平滑问题。在S3DIS数据集上验证表明,CSegNet能更好的利用局部特征来进行分割,最终得到oAcc为88.7%,mIoU为73.7%的分割准确性。
-
关键词
室内语义分割
逐点卷积
边缘卷积
CSegNet
-
Keywords
indoor semantic segmentation
PointConv
EdgConv
CSegNet
-
分类号
TN247
[电子电信—物理电子学]
-
