-
题名基于半球形邻域的激光雷达点云局部特征提取
被引量：16
- 1
-
-
作者
蒋博
马燕新
万建伟
何峰
许可
陈沛铂
-
机构
中国人民解放军国防科技大学电子科学学院
中国人民解放军国防科技大学气象海洋学院
海洋探测技术湖南省重点实验室
中国人民解放军
-
出处
《信号处理》
CSCD
北大核心
2022年第2期329-339,共11页
-
基金
国家自然科学基金创新研究群体(61921001)
国家自然科学基金青年基金(61701513)
+1 种基金
国家自然科学基金重点项目(62035014)
国防科技大学科研计划项目(ZK20-39)。
-
文摘
为提升激光雷达点云目标识别的效率和减少计算开销,本文通过采用改进的邻域确定方法和LRF估计方法,提出了一种新的特征描述子:半球单值形状上下文特征描述子(Hemispheric Unique Shape Context,HUSC)。首先计算关键点处的互相关矩阵,并根据邻域点附近的点密度进行加权,以此估计关键点的法向量和切平面,并建立局部参考坐标系;然后以该切平面为底面构建半球形邻域,并将其按照方位角、极角和径向划分为多个栅格;最后统计各栅格中的点数,得到关键点的局部特征描述子。HUSC特征描述子在保证描述子准确率的同时,通过减少冗余栅格数量提高目标识别的效率。在Bologna、3DMatch数据集上进行的实验表明,基于半球形邻域的HUSC特征描述子与基于球形邻域的USC描述子对噪声鲁棒、对分辨率变化稳健性相当,但HUSC特征描述子占用内存更小,运算速度更快。
-
关键词
激光雷达
点云
目标识别
特征描述子
半球形邻域
-
Keywords
LiDAR
point clouds
object recognition
feature descriptor
hemisphere neighborhood
-
分类号
TN249
[电子电信—物理电子学]
-
-
题名嵌入注意力机制的卷积神经网络水声目标识别
被引量：4
- 2
-
-
作者
张钇
熊水东
马燕新
姚琼
王付印
郭微
朱家华
-
机构
国防科技大学前沿交叉学科学院
国防科技大学气象海洋学院
海洋探测技术湖南省重点实验室
-
出处
《声学技术》
CSCD
北大核心
2022年第6期796-803,共8页
-
基金
国防科技大学科研计划项目(ZK20-39,ZK20-35)
国家自然科学基金(62001490)
173计划项目(2019-JCJQZD026-00)。
-
文摘
针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络(Multi-scale Residual CNN with Attention, MR-CNN-A)进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明:对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。
-
关键词
水声目标识别
注意力机制
多尺度残差
卷积神经网络
特征融合
低信噪比
稳健
自主式水下航行器
-
Keywords
underwater acoustic target recognition
attention mechanism
multiscale residuals
convolutional neural network
feature fusion
autonomous underwater vehicle(AUV)
-
分类号
TN911.7
[电子电信—通信与信息系统]
-
-
题名基于通道注意力机制的单目深度估计
被引量：3
- 3
-
-
作者
张聪
马燕新
万建伟
许可
徐国权
-
机构
国防科技大学电子科学学院
国防科技大学气象海洋学院
海洋探测技术湖南省重点实验室
-
出处
《信号处理》
CSCD
北大核心
2022年第11期2332-2341,共10页
-
基金
国家自然科学基金面上项目资助(61871386)
湖南省杰出青年基金项目资助(2019JJ20022)。
-
文摘
现有单目深度估计(Monocular depth estimation)算法存在细节估计不准确、同一平面距离估计错误的问题。深度信息是通过图像像素的三通道信息估计出来的,目前已有的算法中很少考虑特征图通道之间的相互关系对深度信息的影响。因此本文提出了一种SE-DenseDepth网络,在网络的编码器中嵌入通道注意力机制,依据不同通道对深度信息的贡献度差异,对通道进行编码,提高编码器对图像特征的表征能力。为了获得图像精细的深度信息,网络建立编码器到解码器的跳连接,引入了更多的低层信息。本文在通用室内数据集NYU-Depth V2上训练,并在真实数据上测试。实验结果表明,本文提出的方法在深度突然变化的细节区域表现更好,在远距离大平面的情况下不会出现深度的断层,与其他主流算法相比可以获得较好的深度估计性能。
-
关键词
单目深度估计
通道注意力机制
多尺度特征提取
-
Keywords
monocular depth estimation
channel attention mechanism
multi-scale feature extraction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
