期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于激光雷达的道路不平度及可行驶区域检测 被引量:8
1
作者 闫德立 高尚 +1 位作者 李韶华 霍萌 《激光技术》 CAS CSCD 北大核心 2022年第5期624-629,共6页
为了提高室外场景中车载激光雷达道路不平度信息检测的精度,采用随机降采样和局部特征聚合的网络结构对道路环境信息进行提取分割。在分割过程中加入随机降采样的方法,从而提高点云信息的计算效率,为解决道路环境信息分割过程中关键特... 为了提高室外场景中车载激光雷达道路不平度信息检测的精度,采用随机降采样和局部特征聚合的网络结构对道路环境信息进行提取分割。在分割过程中加入随机降采样的方法,从而提高点云信息的计算效率,为解决道路环境信息分割过程中关键特征丢失的问题,加入局部特征聚合器来增加每个3维点云的接受域来保留几何细节。结果表明,所提出的算法可以准确识别道路环境信息,对于凸包、凹坑、道路可行驶区域的识别精度分别达到71.87%,82.71%,93.01%,与传统卷积神经网络相比有显著提升。该研究可高效提取道路不平度及道路可行驶区域信息,从而提高了车辆的主动安全性与平顺性。 展开更多
关键词 激光技术 随机降采样 局部特征聚合 点云
在线阅读 下载PDF
基于压缩感知的双基SAR二维高分辨成像算法 被引量:4
2
作者 李晶 张顺生 常俊飞 《信号处理》 CSCD 北大核心 2012年第5期737-743,共7页
双基地合成孔径雷达(SAR)由于收发分置,具有广阔的应用前景,但常规的频域算法不仅面临距离史双根号问题,而且数据采集受Nyquist理论限制,数据量大。近年来提出的压缩感知(CS)理论指出,在一定条件下可以从很少的采样点中以很大的概率重... 双基地合成孔径雷达(SAR)由于收发分置,具有广阔的应用前景,但常规的频域算法不仅面临距离史双根号问题,而且数据采集受Nyquist理论限制,数据量大。近年来提出的压缩感知(CS)理论指出,在一定条件下可以从很少的采样点中以很大的概率重建原始未知稀疏信号。本文将CS理论与双基地SAR模型相结合,提出一种基于CS的双基地SAR二维高分辨成像算法。该算法将二维随机降采样回波数据作为测量值,根据发射信号构造距离向测量矩阵,通过方位向多普勒相位因子构建方位向测量矩阵,利用CS恢复算法对目标进行了分维重建。仿真结果与性能分析表明,该算法在严重欠采样情况下仍能完好的重建原始目标,而且对噪声具有一定的鲁棒性和免疫性。与传统双基SAR成像算法相比,该算法具有更高的分辨率,成像结果峰值更加尖锐,峰值旁瓣比(PLSR)和积分旁瓣比(ILSR)都较低,而且采样率低、数据量少,具有一定的有效性和实用性。 展开更多
关键词 双基SAR 压缩感知 稀疏信号 随机降采样 测量矩阵
在线阅读 下载PDF
融合注意力门控机制的大场景点云语义分割 被引量:1
3
作者 王蕾 朱芬芬 +1 位作者 李金萍 刘华 《激光与红外》 CAS CSCD 北大核心 2023年第11期1785-1792,共8页
室外大场景激光点云语义分割已成为3D场景理解、环境感知的关键性技术,在自动驾驶、智能机器人和增强现实(AR)等领域应用广泛。然而大场景的激光点云具有多目标、几何结构复杂,不同地物尺度变化大等特点,使得在稀疏的小目标点云(例如行... 室外大场景激光点云语义分割已成为3D场景理解、环境感知的关键性技术,在自动驾驶、智能机器人和增强现实(AR)等领域应用广泛。然而大场景的激光点云具有多目标、几何结构复杂,不同地物尺度变化大等特点,使得在稀疏的小目标点云(例如行人、摩托车等)上的分割性能较低。针对上述问题,本文提出一种融合注意力门控机制的室外点云语义分割算法,设计由注意力机制和多尺度上下文特征融合组成的注意力门控单元,提高对激光点云细粒度特征的表达,降低随机降采样过程中点云几何结构特征丢失程度,从而增强了网络对弱小目标的特征获取能力;同时设计基于共享MLP的平均池化单元,进一步简化自注意力局部特征聚合模块,有效地加速网络收敛,能高效地实现大场景点云的语义分割。本文方法在自动驾驶场景室外激光点云数据集SemanticKITTI上的实验表明,与文献RandLA-Net相比,收敛速度提升48.3%,平均交并比(mIoU)由53.9%提升至54.5%,提高0.6%,尤其是在小目标上交并比(IoU)均有明显提高,person类和motorcycle类的交并比分别提高0.8%和5.4%。 展开更多
关键词 大场景激光点云 语义分割 随机降采样 平均池化单元 注意力门控单元 多尺度特征融合
在线阅读 下载PDF
特征自适应融合插值的点云语义分割算法 被引量:2
4
作者 朱芬芬 王蕾 刘华 《现代电子技术》 2023年第12期175-181,共7页
点云语义分割是场景理解的基础问题。大多数针对大场景点云的语义分割方法精心设计局部特征聚合模块以减少降采样点云过程中的信息损失,然而未能高效地利用多尺度局部特征推理点云语义信息。为此,文中提出一种多尺度特征自适应融合的插... 点云语义分割是场景理解的基础问题。大多数针对大场景点云的语义分割方法精心设计局部特征聚合模块以减少降采样点云过程中的信息损失,然而未能高效地利用多尺度局部特征推理点云语义信息。为此,文中提出一种多尺度特征自适应融合的插值方法,以实现更准确的大场景点云语义分割算法。首先,通过注意力机制的局部特征聚合模块学习点云内部的语义关系,描述局部模式的各项异性;然后,以不同的采样率随机地采样点云产生多尺度的稀疏局部特征图;最后,使用特征自适应融合的插值法代替广泛使用的最近邻插值法,恢复全分辨率的特征图,为原始密度的点云提供更准确的语义信息。在SemanticKITTI和S3DIS两个大场景点云数据集上对所提算法进行评估,结果表明,所提算法的平均交并比(mIoU)分别为54.24%、75.5%,平均准确率(mACC)分别达到88.92%、86.5%,比大多数主流算法的分割效果更加准确。 展开更多
关键词 点云语义分割 注意力机制 自适应融合插值 局部特征聚合模块 深度学习 随机降采样
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部