【摘 要】
:
随着激光雷达、深度相机等三维传感器在各类三维场景上的广泛应用,基于点云数据的三维场景感知学习越来越受到人们的关注,针对传感器直接输出的三维点云数据的研究也逐渐从底层次的几何特征提取向高层次语义理解过渡。深度学习特别是深度卷积神经网络在特征学习及语义信息提取上有巨大优势,如何设计高效的网络模型并利用点云数据驱动模型进行三维场景感知学习成为最近的研究热点。三维点云的深度学习方法研究主要受以下几个方面的
论文部分内容阅读
随着激光雷达、深度相机等三维传感器在各类三维场景上的广泛应用,基于点云数据的三维场景感知学习越来越受到人们的关注,针对传感器直接输出的三维点云数据的研究也逐渐从底层次的几何特征提取向高层次语义理解过渡。深度学习特别是深度卷积神经网络在特征学习及语义信息提取上有巨大优势,如何设计高效的网络模型并利用点云数据驱动模型进行三维场景感知学习成为最近的研究热点。三维点云的深度学习方法研究主要受以下几个方面的限制:首先,点云受采集设备以及坐标系的影响,点的排列顺序千差万别,因此点云数据难以直接作为深度网络的输入。其次,点与点之间的关联性难以表示,这让基于点云数据的高层语义感知变得更加困难。最后,点云数据包含的信息量有限,只能提供片面的几何信息。本文通过分析点云数据的特点和大量的相关工作,基于这些研究的热点和难点,设计并搭建了一种依赖于邻域聚合框架的端到端的深度网络模型用来处理原始的点云数据。本文主要的研究内容如下:1.对基于点云数据的三维场景感知学习的相关技术进行了充分的调研,并进行分析对比,总结了该领域的发展概况和未来需要面临的挑战,同时对场景感知学习的相关技术原理进行了详细的介绍。2.设计并搭建了一种新的适合原始点云作为输入的图注意力深度网络模型。网络模型将传统的图神经网络作为基础的网络框架,结合自然语言处理中的注意力机制进行局部特征的提取。3.提出描述点云关系的关联度的概念。通过获得的关联度在聚合节点特征时来聚合点云的结构化特征,最后再结合网络中全局特征,以获得更加鲁棒、信息更加丰富的特征描述子,同时在一定程度上能够克服点云的稀疏性问题。4.改进图神经网络中的节点状态更新策略,设计并使用全新的节点更新函数用来更新点云中每个数据点的特征。随着网络的加深,多个图注意力层进行多次特征更新,以便可以获得丰富的节点特征表示和局部结构化的特征。最后,通过在流行的基准数据集上与其它的点云感知算法进行实验对比,验证了本文提出的算法的有效性。
其他文献
手绘图像检索是一种通过手绘图像检索自然图像的检索技术。允许用户通过线条随心所欲地描绘头脑中想要表达的事物以作为检索输入,这是手绘图像检索最为主要的优势之一,然而手绘图像绘制过程中的主观性会带来语义模糊问题,这同样给手绘检索带来了挑战。手绘图像缺少颜色、纹理等细节信息,一般仅包含物体轮廓,因此通过整体视角进行观察,对于手绘图像语义理解至关重要。然而,本文通过调研发现,手绘图像的整体性在现有工作中并未
手绘图像作为一种新型的视觉表达方式,能够高效,灵活地描述物体的外观和结构。然而在手绘图像检索领域(Sketch Based Image Retrieval,简称SBIR)中,手绘图像则存在特征稀疏,易于形变等问题。手绘图像由一系列简单的线条构成,是一种高度稀疏的表达方式,因此传统图像检索的方法无法对手绘图像中的内容进行有效地描述;另外不同的人群绘画出的手绘草图在外形上也具有较大的差异性,这导致手绘
国内大部分油田处于勘探开发中后期,易于发现的油田越来越少,探明储量以隐蔽性油藏为主,但隐蔽性油藏难以发现。有利区预测是勘探开发过程中非常关键的一步,但传统有利区预测受限于现有的理论和方法,在地质条件复杂、地震属性种类多、地震属性相关性差的情况下,地震属性与有利区类别之间的对应关系难以确定,容易产生预测过程中的多解性问题,且地质勘探人员一般仅采用2-3种常规地震属性进行预测,忽略了其它未使用地震属性
石油作为我国重要能源之一,被广泛应用在交通工业、建材工业、化工工业等各大领域中,因此石油的高效开采对我国来说是非常重要的。由于我国大部分油田都属于高含蜡油田,在开采等过程中存在着结蜡现象。该现象使得油井直径变小、油杆负载变大,进而导致石油的开采效率降低、成本增加,更为严重时,导致油井停止生产等故障,降低经济效益。由此看来,如何有效的预测油井结蜡对石油高效开采具有重要研究意义和应用价值。本文采用随机
近几年来,图像描述逐渐成为人工智能领域内一个新的研究热点。图像描述任务是连接计算机视觉领域与自然语言处理领域的一项基础任务,其目标是使计算机能够自动生成能够准确描述输入图像内容的自然语言语句。图像描述任务需要利用计算机视觉中的相关技术以及自然语言处理中的相关技术。图像描述任务将图像内容转换为描述图像内容的自然语言文本,可以加深对图像内容的理解。虽然编码器-解码器结构在图像描述任务中取得了广泛的应用
现有常见的目标检测算法仅针对一般场景具有较好的检测性能,然而不适用于一些特定的复杂场景,例如施工图图例检测。施工图场景下的目标检测会存在如下问题:1)图例检测是一个典型的单样本学习(one-shot learning)问题,样本极少;2)需要具备高准确率和一定的实时性;3)不同施工图的图例种类不同,无法统一;4)需要自动化地完成图例提取、样本制作和模型训练;这些问题给图例检测带来了极大的挑战,如何
近年来,随着油气勘探开发的深入,低渗致密等复杂油气藏、非常规油气藏油气资源越来越多,逐步成为勘探与开发的重点,也是技术攻关的难点。甜点是指储层物性相对较好、含油性较好、具有一定厚度和范围的油气聚集区。油气资源勘探的任务就是寻找这样的油气储层甜点,并准确刻画甜点储层的分布范围。复杂油气藏的甜点受控因素多而复杂,表现为相关数据信息的种类繁杂、数据量庞大,传统的地质学方法很难应对。随着信息技术的发展,油
在大数据时代,互联网数据存在着数据量大,特征维度高的特点,然而在检索领域,却存在检索速度快,存储空间低的需求。哈希方法作为解决这一问题的主要方法引起了广泛关注。哈希方法通过哈希函数将高维特征映射为低维的二值哈希编码,以此提高检索速度,降低存储空间。近些年,深度学习表现出强大的特征学习能力,结合深度学习的哈希学习方法能够通过神经网络同时进行特征和哈希编码的学习,性能明显优于传统哈希方法。本文重点研究
自然场景下任意形状文本检测和识别技术是当前计算机视觉领域的研究热点之一,在图像检索,自动翻译,自动驾驶等领域具有积极作用。由于自然场景图像背景复杂,易受光照和拍摄角度的影响,导致检测和识别困难,同时由于图像中文本是任意形状的,包括水平,倾斜及弯曲文本,进一步加大了文本检测和识别的难度。目前,这项富有挑战性的任务仍在研究探索阶段。针对任意形状文本检测和识别难的问题,本文提出了一种基于深度学习的任意形
Polar码是唯一一种在理论上被证明达到香农极限的信道编码技术,已被选为5G控制信道e MBB场景编码方案。Polar码的译码算法有多种,其中在连续消除译码算法下具有较低的译码复杂度。但是,该算法的串行译码特性导致译码时延较高且码长长度受限时纠错性能不理想。针对上述问题,本论文在调研连续消除译码算法及其改进算法的基础上对Polar码译码技术进行了研究,分别提出了基于结点错误概率的简化连续消除译码算