-
题名基于对比学习和标签挖掘的点云分割算法
被引量：1
- 1
-
-
作者
黄华
卜一凡
许宏丽
王晓荣
-
机构
北京交通大学计算机与信息技术学院
交通数据分析与挖掘北京市重点实验室(北京交通大学)
轨道工程北京市重点实验室(北京交通大学)
智慧高铁系统前沿科学中心(北京交通大学)
-
出处
《计算机研究与发展》
北大核心
2025年第1期132-143,共12页
-
基金
国家自然科学基金项目(51827813)
国家重点研发计划项目(2022YFB2603302)
+1 种基金
北京市教育委员会科技重大项目(KJZD20191000402)
中央高校基本科研业务费专项资金(2022JBQY009)。
-
文摘
基于深度学习的点云分割算法通过设计复杂的特征提取模块,可以对高维空间点云进行有效的分割.但由于缺乏对边界点集的特征挖掘,使得其对边界分割的精度欠佳.已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中,忽略了点云无序和稀疏特性,特征提取不够准确.对此,设计了基于对比学习和标签挖掘的点云分割模型CL2M(contrastive learning label mining),通过自注意力机制学习不同位置处点云更为精准的特征,并引入对比学习方法,提高了点云边界处的分割精度.在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块,使得高维空间点云标签分布包含更多的语义信息.CL2M充分利用标签的分布规律计算分布间的距离,可准确划分正负样本,减少了常规硬划分带来的累计错误.在2个公开数据集上进行的实验结果表明,CL2M在多个评价指标上优于既有的点云分割模型,验证了模型的有效性.
-
关键词
计算机视觉
点云分割
对比学习
自注意力机制
边界挖掘
-
Keywords
computer vision
point cloud segmentation
contrastive learning
self-attention mechanism
boundary mining
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
