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
共找到10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：
多尺度特征融合对比学习结合PointMetaBase的点云分割
1
作者 杨林杰 张斌 张志圣 《现代电子技术》 北大核心 2024年第15期91-97,共7页
点云场景边界的精确分割对提升三维点云整体分割精度和小目标的分割精度都非常重要。针对现有三维点云语义分割算法中存在的对点云场景边界分割不准确的问题,设计了一种新的多尺度特征融合对比学习方法,并将其集成到PointMetaBase网络上... 点云场景边界的精确分割对提升三维点云整体分割精度和小目标的分割精度都非常重要。针对现有三维点云语义分割算法中存在的对点云场景边界分割不准确的问题,设计了一种新的多尺度特征融合对比学习方法,并将其集成到PointMetaBase网络上,提出了MFFCL-PMB三维点云语义分割网络。该网络将解码器各层的输入和输出平行多路径地输入多尺度特征提取网络,其次将多尺度特征进行拼接融合,最后由边界搜索模块确定点云场景边界点,在边界点对应的多尺度融合特征上进行对比学习,使网络学习到使特征区分度更大的权重。MFFCL-PMB在数据集S3DIS的测试集区域5上的mIoU为70.9%,相比原始的PointMetaBase,在边界上的mIoU增加了1.4%,内部区域mIoU增加了1.2%,总体mIoU增加了1.2%,边界mIoU增量比内部区域增加的mIoU更大,说明MFFCL-PMB有效增强了PointMetaBase在边界上的分割表现并提高了网络在点云总体上的语义分割性能。 展开更多
关键词 深度学习 三维点云 语义分割 对比学习 多尺度特征融合 编码器 解码器
在线阅读 下载PDF
基于改进柱形特征编码的单阶段目标检测算法
2
作者 罗玉涛 毛浩杰 《华南理工大学学报(自然科学版)》 北大核心 2025年第3期1-11,共11页
基于柱形(Pillar)的单阶段点云3维目标检测算法凭借其较高的运行效率,在工业界得到了广泛的关注和应用。但对点云柱形量化造成的点云3维特征细粒度信息损失,导致这类算法对稀疏点云小目标的检测能力较弱。尽管部分研究对此问题提出了应... 基于柱形(Pillar)的单阶段点云3维目标检测算法凭借其较高的运行效率,在工业界得到了广泛的关注和应用。但对点云柱形量化造成的点云3维特征细粒度信息损失,导致这类算法对稀疏点云小目标的检测能力较弱。尽管部分研究对此问题提出了应对方法,但通常以较高的检测时间成本或者大目标检测精度作为代价。为此,该文提出了一种基于改进柱形特征编码的柱形点云目标检测算法。首先,构建可实现柱形单元内部点云局部与全局特征相结合的柱形特征编码网络,用于增强柱形量化特征的表征能力;然后,设计一个由2维稀疏卷积块与特征融合网络相结合的主干网络,用于融合多尺度的高级抽象语义特征和低级细粒度空间特征,防止过度关注小尺寸特征而降低大目标的检测性能;最后,在KITTI自动驾驶数据集上进行训练和测试,并对实验结果进行了可视化和消融研究。结果显示:所提算法在KITTI数据集的中等难度下,多个类别的平均精度均值达63.54%、平均方向相似性均值达70.72%,平均检测帧速率达31.5 f/s;与PointPillars、TANet和PiFEnet算法相比,该文算法的平均精度均值分别提高了2.44、2.05和2.38个百分点,平均方向相似性均值分别提高了4.69、0.68和7.83个百分点,在同类算法的对比中表现出工程应用潜力。 展开更多
关键词 智能汽车 3维目标检测 点云 柱形特征编码
在线阅读 下载PDF
三维点云处理在配网不停电作业现场勘察的应用
3
作者 缪家冬 夏阳 +1 位作者 孙明蔚 王涛 《中国高新科技》 2025年第2期58-59,91,共3页
在配网不停电作业中,现场勘察是确保作业安全和提高作业效率的关键。随着三维点云处理技术的发展,其在配网不停电作业的现场勘察中的应用越来越广泛。文章介绍了三维点云技术的基本原理及其在电力系统中的应用进展。详细阐述了三维点云... 在配网不停电作业中,现场勘察是确保作业安全和提高作业效率的关键。随着三维点云处理技术的发展,其在配网不停电作业的现场勘察中的应用越来越广泛。文章介绍了三维点云技术的基本原理及其在电力系统中的应用进展。详细阐述了三维点云处理在不停电作业现场勘察中的具体应用,包括现场环境的快速建模、设备间隙的精确测量、障碍物的识别与定位以及安全路径的规划等。通过实际案例分析,展示了三维点云技术提高现场勘察精度、效率以及作业安全性的实际效果。讨论了目前三维点云处理技术在实际应用中存在的问题和未来的发展趋势,为配网不停电作业现场勘察的技术革新提供参考。 展开更多
关键词 移动三维扫描技术 配电房 自动点云拼接 编码器粗配准 NDT算法
在线阅读 下载PDF
一种多尺度特征融合的多模态三维点云配准模型 被引量：1
4
作者 韩建栋 李晓蕊 《微电子学与计算机》 2024年第11期31-38,共8页
针对三维点云配准中现有描述符提取方法可能导致点云结构信息不显著以及点云数据细节丢失的问题,提出了一种多尺度特征融合的多模态三维点云配准模型(Multi-scale Feature Fusion,MSFNet)。首先,在编码器中采用基于稀疏卷积的通道注意... 针对三维点云配准中现有描述符提取方法可能导致点云结构信息不显著以及点云数据细节丢失的问题,提出了一种多尺度特征融合的多模态三维点云配准模型(Multi-scale Feature Fusion,MSFNet)。首先,在编码器中采用基于稀疏卷积的通道注意力模块(Channel Attention Module Based On Sparse Convolution,SCCAM)使得该模型能够自适应地关注点云的特征结构;然后,利用多尺度空间点云编码结构(Multi-scale Spatial Point Cloud Encoding,MSPCE)提取并有效融合不同尺度下的点云特征,从而增加点云描述符的感受野;最后,利用多模态特征融合模块对编码器提取的点云特征与图片特征进行融合,并将其送入解码器进行监督训练,以生成最终的点云描述符。采用特征匹配召回率(Feature-Match Recall,FMR)作为评价指标,在数据集3DMatch上进行实验。实验结果表明MSFNet网络其召回率精度达到了98.4%,与IMFNet(Interpretable Multimodal Fusion)网络相比,提升了0.8%。 展开更多
关键词 三维点云配准 多尺度点云编码 注意力机制 多模态特征融合 多尺度特征融合
在线阅读 下载PDF
基于邻域特征编码优化的液压支架激光点云分割算法
5
作者 王俊甫 薛晓杰 杨艺 《工矿自动化》 CSCD 北大核心 2024年第7期98-106,178,共10页
受井下煤尘和易被遮挡的影响,液压支架激光点云数据容易出现残缺。现有点云分割算法难以获取细粒度的点云特征,无法得到完整的点云结构信息,且易在邻域内引入语义信息不相似的点,导致液压支架激光点云分割精度低。针对上述问题,提出了... 受井下煤尘和易被遮挡的影响,液压支架激光点云数据容易出现残缺。现有点云分割算法难以获取细粒度的点云特征,无法得到完整的点云结构信息,且易在邻域内引入语义信息不相似的点,导致液压支架激光点云分割精度低。针对上述问题,提出了一种基于邻域特征编码优化的液压支架激光点云分割算法。引入了由邻域特征编码模块、邻域特征优化模块和混合池化模块组成的局部邻域特征聚合模块:邻域特征编码模块在传统三维坐标编码的基础上加入极坐标编码和质心偏移来表征局部点云空间结构,提升对残缺点云的特征提取能力;邻域特征优化模块通过特征距离判断并丢弃冗余特征,来优化邻域空间内的特征表达,从而更有效地学习点云局部细粒度特征,增强点云局部上下文信息;混合池化模块结合注意力池化和最大池化,通过聚合邻域内的显著特征和重要特征来获取具有丰富信息的单点特征,减少信息丢失。构建了由2组局部邻域特征聚合模块和残差连接组成的邻域扩张模块,以捕获特征间的长距离依赖关系,扩大单个点的局部感受野,并聚合更多有效特征。实验结果表明,该算法在液压支架激光点云分割数据集上的平均交并比为93.26%,平均准确率为96.42%,可有效区分液压支架不同的几何结构,实现液压支架各部件的准确分割。 展开更多
关键词 液压支架 激光点云 点云分割 邻域特征编码 邻域特征优化
在线阅读 下载PDF
基于位置编码和双距离注意的点云分割方法
6
作者 温智成 王蕾 +1 位作者 冯锦梁 叶森辉 《激光与红外》 CAS CSCD 北大核心 2024年第2期222-227,共6页
近年来,卷积和图运算被广泛用于从点云中捕获特征信息的研究中,在语义分割任务中表现出良好的性能。然而,这些方法在表示点云的局部信息方面存在局限性,并且采用对称池化操作而丢失了大量的特征信息。为了解决这些问题,提出DualRes-Net... 近年来,卷积和图运算被广泛用于从点云中捕获特征信息的研究中,在语义分割任务中表现出良好的性能。然而,这些方法在表示点云的局部信息方面存在局限性,并且采用对称池化操作而丢失了大量的特征信息。为了解决这些问题,提出DualRes-Net网络。该网络采用位置编码模块对局部坐标特征进行编码,使网络能够专注于点云位置信息,获得更好的局部特征表示。利用双距离注意力池将中心点与邻近点的差异与注意力相结合,增强了注意力对局部点云信息的自适应聚合能力。在网络的每个阶段使用去分化残差结构来提取点云的深层特征。由于不同的输入类型具有显著的分布差异,为了稳定模型训练,提高模型性能,对每种类型的特征分别应用MLP。在S3DIS Area5的语义分割实验中,所提方法的分割性能mIoU达到了63.7%,超过了许多现有的网络,证明了所提方法的有效性。 展开更多
关键词 点云 语义分割 位置编码 去分化残差 双距离注意力池
在线阅读 下载PDF
基于原始点云网格自注意力机制的三维目标检测方法 被引量：3
7
作者 鲁斌 孙洋 杨振宇 《通信学报》 EI CSCD 北大核心 2023年第10期72-84,共13页
为了增强感兴趣区域(RoI)的特征表达,包括空间网格特征编码模块和软回归损失,提出了一种基于原始点云网格自注意力机制的三维目标检测方法GT3D。网格特征编码模块用于通过自注意力机制对点的局部特征和空间特征进行有效加权,充分考虑点... 为了增强感兴趣区域(RoI)的特征表达,包括空间网格特征编码模块和软回归损失,提出了一种基于原始点云网格自注意力机制的三维目标检测方法GT3D。网格特征编码模块用于通过自注意力机制对点的局部特征和空间特征进行有效加权,充分考虑点云之间的几何关系,以提供更准确的特征表达;软回归损失用于改善数据标注过程中由于标注不准确而产生的回归歧义问题。将所提方法在公开的三维目标检测数据集KITTI上进行实验。结果表明,所提方法相比其他已公开的基于点云的三维目标检测方法检测准确率提升明显,并提交了KITTI官方测试集进行公开测试,对简单、中等和困难3个难度等级的汽车检测准确率分别达到91.45%、82.76%和79.74%。 展开更多
关键词 三维目标检测 点云 自注意力机制 空间坐标编码 软回归损失
在线阅读 下载PDF
基于稀疏卷积的非对称特征聚合点云压缩算法 被引量：1
8
作者 黄炜 朱映韬 +2 位作者 陈冬杰 王宝土 陈建 《电视技术》 2022年第12期67-71,76,共6页
当前基于深度学习的点云压缩算法存在局部特征学习不足的问题,点云庞大的数据量也限制了网络规模。为了保障重建质量的同时合理控制计算复杂度,提出一种基于稀疏卷积的非对称特征聚合点云压缩算法,设计非对称特征聚合编解码网络、逐通... 当前基于深度学习的点云压缩算法存在局部特征学习不足的问题,点云庞大的数据量也限制了网络规模。为了保障重建质量的同时合理控制计算复杂度,提出一种基于稀疏卷积的非对称特征聚合点云压缩算法,设计非对称特征聚合编解码网络、逐通道稀疏残差卷积提升率失真性能。经实验验证,相较于现有的G-PCC、V-PCC和Learned-PCGC算法,所提算法的BD-Rate分别减少88%,46%,40%以上,BD-PSNR分别增加8.9 dB,2.4 dB,1.8 dB以上。 展开更多
关键词 点云压缩 自编码器 稀疏卷积 非对称特征聚合
在线阅读 下载PDF
融合多尺度特征提取的非完备点云补全方法
9
作者 孙进 谢文涛 周威 《徐州工程学院学报（自然科学版）》 CAS 2023年第2期49-54,共6页
针对现有点云补全方法在特征提取时只关注全局特征而忽略局部特征的问题,提出了融合多尺度特征提取的非完备点云补全方法.首先,提出了由全局特征提取器和多尺度特征提取器组合而成的融合特征编码器,分别提取输入非完备点云的全局特征和... 针对现有点云补全方法在特征提取时只关注全局特征而忽略局部特征的问题,提出了融合多尺度特征提取的非完备点云补全方法.首先,提出了由全局特征提取器和多尺度特征提取器组合而成的融合特征编码器,分别提取输入非完备点云的全局特征和多尺度特征信息,并将其拼接成融合特征向量;其次,将得到的融合特征向量输出至由全连接解码器和折叠操作层组成的解码器,由粗到细地生成完整点云.实验结果表明该网络在公开数据集ShapeNet子集的点云补全实验中平均误差更小.相较于经典的点云补全网络PCN,该网络在补全任务中点云补全效果提高了28.7%,为后续的模型逼真化提供基础,具有更强的性能和良好的应用价值. 展开更多
关键词 多尺度特征 全局特征 编码器-解码器 点云补全
在线阅读 下载PDF
基于强化局部特征的3D点云分类与分割网络 被引量：1
10
作者 陈丽芳 魏梦如 《应用科学学报》 CAS CSCD 北大核心 2022年第2期328-337,共10页
在点云的处理过程中,许多深度学习网络未能充分考虑局部点之间的复杂关系,导致大量空间几何信息丢失。针对该问题,提出了一个强化局部特征的网络,用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码;通过... 在点云的处理过程中,许多深度学习网络未能充分考虑局部点之间的复杂关系,导致大量空间几何信息丢失。针对该问题,提出了一个强化局部特征的网络,用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码;通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数,结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验,结果表明:该网络在点云的目标分类和语义分割任务上表现出较好的性能。 展开更多
关键词 点云分类与分割 编码单元 注意力机制 多维损失函数
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部