【摘 要】
：
在计算机视觉领域,基于三维点云的场景理解受到了大多研究人员的青睐,其中,三维点云语义分割技术被广泛应用在室内场景分析、机器人环境感知、自动驾驶等领域。早期的三维点云语义分割方法主要采用数学计算的方式将场景分割成多个不重叠的区域,但是,这种方法的准确性容易受到噪声和场景复杂度的影响,不具有良好的鲁棒性。最近,随着Point Net网络的提出,基于深度学习技术对三维点云进行端到端的处理方式逐渐成为主流
论文部分内容阅读
在计算机视觉领域,基于三维点云的场景理解受到了大多研究人员的青睐,其中,三维点云语义分割技术被广泛应用在室内场景分析、机器人环境感知、自动驾驶等领域。早期的三维点云语义分割方法主要采用数学计算的方式将场景分割成多个不重叠的区域,但是,这种方法的准确性容易受到噪声和场景复杂度的影响,不具有良好的鲁棒性。最近,随着Point Net网络的提出,基于深度学习技术对三维点云进行端到端的处理方式逐渐成为主流,但仍然存在一些不足,主要问题在于忽略了对边缘区域分割效果的考虑,也无法保证对点云特征的有效提取。针对上述问题,本文探索了基于深度学习的三维点云语义分割和特征提取的研究,主要工作和贡献如下:（1）为了解决无法对边缘进行有效分割的问题,本文提出了一个基于语义搜索和超点注意力的三维点云语义分割网络模型。首先,本文利用语义搜索的方式来定义超点中心坐标和特征,确保了超点内点语义一致性;其次,本文在超点分割阶段利用注意力机制的方式来提取不同级别特征,进而实现超点的语义分割;然后,通过标签反馈模块将分割结果作用于每个点上;最后,实验证明了本方法的语义分割结果要优于其他点云分割方法,网络模型也具有良好的鲁棒性。（2）为了解决关键特征提取不足的问题,本文提出了一个可插槽的基于多尺度信息融合的特征提取模块。首先,该模块适用于不同分辨率下的场景,可以将输入的点云数据转换为高维空间的特征序列;其次,本文在通道融合中利用自注意力机制的方式关注维度通道之间的关联性,进而增强点特征信息;然后,本文在空间融合中对特征相似性进行分析,进而获取点云的几何结构信息和上下文依赖信息;最后,实验证明了本模块的复用性和有效性,同时也证明了基于该模块的网络模型对三维场景的理解能力。
其他文献
梅核气是临床中常见的一类心身疾病，属中医学郁证范畴，常因情志发病，以咽部异物感为主要特征。现代医学对于梅核气的发病机制尚未阐明，通过文献梳理，发现情志因素、饮食因素为梅核气的主要诱发因素；肝郁脾虚，痰气上逆互结于咽喉为梅核气主要病机，气滞血瘀为久病之后的病理因素。可通过相关中医心理疗法和调整饮食结构来防治，治则治法上以疏肝解郁、调脾和胃、理气化痰为主，后期出现气滞血瘀则以行气、活血、化瘀为主。此外
随着传感器技术不断发展，三维点云被广泛应用于自动驾驶、机器人、遥感、文物修复、增强现实、虚拟现实等领域的视觉任务中。然而直接应用收集到的海量原始点云数据的效果不佳，因此基于深度学习的点云处理方法受到越来越多的关注和研究。该文综述了近六年来基于深度学习的三维点云处理方法的研究进展。首先给出了三维点云的基本概念和获取方式，简述了4种点云处理任务；然后针对点云去噪和滤波、点云压缩、点云超分辨率以及点云修
以裸仁南瓜籽为材料，通过单因素和正交试验对益生菌发酵南瓜籽进行优化，并利用氨基酸自动分析仪、气相色谱-质谱联用对自然发酵和益生菌发酵南瓜籽的品质、风味特性进行对比分析。结果表明，益生菌发酵制备南瓜籽最优工艺条件为发酵时间5 d、接种量5%、菌种比例1∶1∶1，发酵温度为36℃，在该条件下发酵得到的益生菌发酵南瓜籽pH值为7.1，感官评分为20；益生菌发酵南瓜籽苦味氨基酸含量均降低，而甜味氨基酸含量
＜正＞“春种一粒粟,秋收万颗籽”,秋天到了,南瓜又走进了我们的视野。对于南瓜,大家最熟悉的是可以吃,也可以雕刻南瓜灯,它还能带给孩子哪些有趣的事情呢？寻·南瓜都长什么样虽然都是南瓜,可是样子和名字很不一样呢！带着孩子走进超市找一找,感受南瓜品种的多样性吧！可以引导孩子看一看、摸一摸、闻一闻、听一听、说一说,感受不同南瓜品种的外形特征不同。
审计质量工作的好坏，一定程度上受审计档案管理的影响。档案管理在目前审计质量工作中制约着审计质量工作效果的完好与否。为了确保审计质量工作的效果，提高审计工作效率，减少工作失误，本文就现阶段审计档案管理的内容进行简要分析，并结合档案管理对审计质量的作用进行探究，以此来推动审计档案管理持续优化自身管理优势，推动审计工作向高质量工作进程迈进。
点云作为一种重要的三维数据类型，在自动驾驶、机器人、虚拟及增强现实等人工智能方面应用广泛。点云语义分割是点云处理中的关键任务，旨在将点云中的每个点分配给特定的语义类别。综述了国内外基于深度学习的点云语义分割的研究进展。首先，总结了点云语义分割中常用的开源数据集，并介绍了间接基于点云和直接基于点云的深度学习处理方法及其应用进展。此外，给出了这些方法的实验结果，并对他们进行了简要对比。最后，对当前点云
近年来,随着激光雷达等三维数据终端采集设备的发展,获取三维点云数据变得更加方便。三维点云语义分割作为场景理解的基础技术,其已经成为增强现实、智能工厂以及无人驾驶等领域的研究热点。虽然三维点云数据可以有效的保留空间原始信息,但是也具有几何不变性、置换不变性以及非结构性等特点。神经网络在提取点云特征时容易造成其点间信息和空间信息的损失,导致难以挖掘三维点云数据深层次的特征信息。本文针对点云语义分割任务
利用点云深度学习技术自动识别建筑构件的尺寸,并使用虚拟点云解决了3D点云数据集工作繁杂的问题.首先,提出了一种批量快速生成虚拟点云数据集的方法.通过建筑信息模型（building information modeling, BIM）技术对装配式构件参数化建模,对其进行批处理转换数据格式后生成3D点云模型,从而生成无噪声、带标注的高质量点云.然后,对点云分类网络PointNet进行改进,搭建了端对端
三维目标检测是三维视觉领域基础而核心的任务,也是三维场景理解的关键性技术,在生物医疗、机器人导航、军事领域、遥感制图以及增强现实等各个领域都有广阔的应用前景。相比于二维图像,三维点云具有包含物体的几何结构和空间位置信息且不易受光照纹理变化影响的优点。但是由于点云稀疏、不规则等特性使得基于传统卷积网络的深度学习方法不能直接处理点云数据,此外由于室内场景的复杂性以及遮挡问题也给三维目标检测带来困难。鉴