【摘 要】
：
由单幅图像重建三维结构并感知三维对象的语义理解极具挑战性。针对单幅图像难以直接生成三维重建点云问题，提出一种融合Point Net与3D-LMNet的联合优化网络模型进行三维重建并完成语义分割。首先基于3D-LMNet网络进行训练生成三维点云，并完成局部分割，同时，对网络损失函数进行联合优化来预测分割点云。然后，通过分割点云的语义信息改善重建效果，生成带有语义分割信息的三维点云重建模型。最后，针对
论文部分内容阅读
由单幅图像重建三维结构并感知三维对象的语义理解极具挑战性。针对单幅图像难以直接生成三维重建点云问题，提出一种融合Point Net与3D-LMNet的联合优化网络模型进行三维重建并完成语义分割。首先基于3D-LMNet网络进行训练生成三维点云，并完成局部分割，同时，对网络损失函数进行联合优化来预测分割点云。然后，通过分割点云的语义信息改善重建效果，生成带有语义分割信息的三维点云重建模型。最后，针对联合训练中真值点云和预测点云类别标签无点对点的对应关系问题，引入联合优化损失函数来提高重建和分割效果，生
其他文献
针对经典的基于深度学习的红外弱小目标检测算法存在目标信息在高层感受野消失导致无法检出的问题，提出一种新的基于多通道多尺度特征融合的红外弱小目标检测算法（J-MSF）。首先，该算法提出了一种新的多通道JAnet结构，基于此结构搭建了主干特征提取网络；其次，设计了下降门限式特征金字塔池化结构(DSPP)，并提出了多尺度融合检测策略；最后，设计了高斯损失优化函数。实验结果表明，所提出的算法在“地/空背景
核糖体蛋白不仅参与蛋白质合成，而且参与植物生长发育的调控。利用拟南芥核糖体磷酸蛋白P1(Ribosomal phosphoprotein P1,RPP1)家族基因RPP1A缺失突变体rpp1a研究RPP1A缺失对幼苗蛋白质表达水平的影响，揭示其参与调控幼苗生长的作用机制。表型分析发现，与野生型WT相比，RPP1A缺失导致拟南芥幼苗生物量、叶片总表面积和叶柄长度显著增加。基于label-free的蛋
为提升SGM算法效率，提出一种基于改进匹配代价计算和路径优化策略的立体匹配算法。代价计算阶段，通过对角线取点方式对LBP算子进行优化，降低时间复杂度和数据规模；代价聚合阶段，根据聚合逻辑选择5个方向进行扫描线优化，结合灰度相似性约束和距离约束条件，对聚合路径进行自适应权重赋值；再通过WTA策略计算初始视差值，通过左右一致性检测和二次多项式插值算法对视差图作进一步优化。最后算法在Middlebury
针对航母舰面复杂的多尺度目标检测环境，且现有算法对牵引车、人员等小目标检测性能不佳的问题，提出了一种改进Faster R-CNN的舰面多尺度目标检测算法。基于多尺度特征层提取了不同尺度的区域建议网络，提高了算法对不同尺度目标尤其是对小目标的检测性能，基于k-means聚类算法生成了适合于舰面目标数据集的先验框尺寸，进一步提升了算法的性能。实验表明，改进后的算法有效的提升了不同尺度目标的检测性能尤其
基于图像分析的裂缝自动检测识别一直是桥梁结构健康检测的热点问题之一。深度学习作为裂缝检测的重要解决方法，需要大量数据支持。公开数据集提供的小尺寸裂缝图像不足以解决超大尺寸的细长裂缝图像的检测问题。提出一个基于特征金字塔深度学习网络的超大尺寸图像中细长裂缝的检测方法。通过对编码器提取的4个不同层次的特征图分别进行预测，网络能够实现对细小裂缝的高精度分割。实验使用了120张大小为3264×4928像素
设计了一组应用于多光谱掌纹图像采集系统的光学薄膜滤光片。根据手掌皮肤在可见、近红外光谱波段反射率不同的特点，研究了掌纹识别滤光片的光谱特性参数及膜系设计。为提高系统获得的掌纹图像质量，采取了四通道滤光片设计方案，光谱特性参数要求为：中心波长为蓝光λ_1=470nm、绿光λ_2=520nm、红光λ_3=630nm、近红外光λ_4=880nm；各通道带宽均为10nm，透射率大于90%，平均截止背景深度
针对监控视频中的多尺度近岸舰船检测，本文提出了一种基于特征重聚焦网络（Feature Re-focusing Network, FRN）的舰船目标检测算法。算法设计了由多维特征聚合模块（Multi-dimensional Feature Aggregation Module,MFAM）与注意力特征重构模块（Attention Feature Reconsitution Module,AFRM）组成
An Ms6.4 earthquake occurred in Yangbi， Yunnan， China on May 21， 2021， which has obvious foreshock activity and abundant aftershocks. Based on the seismic observation data recorded by the Yunnan seism
深度神经网络飞速发展过程中暴露出的安全问题已经逐渐引起了人们的关注和重视。然而，自对抗样本的概念提出以来，针对深度神经网络的对抗攻击算法大量涌现，而深度神经网络自身的复杂性和不可解释性更增大了防御攻击的难度。本文提出基于噪声溶解的对抗样本防御方法，利用深度模型的鲁棒性及对抗噪声的脆弱性，通过噪声溶解过程破坏对抗攻击的隐蔽性，随后经过区域自适应滤波过程有针对性地滤除对抗噪声，得到去噪图像。实验结果表
针对传统模型在动态背景和前景对象移动缓慢的条件下前景检测精度下降的问题，提出了一种基于l_(1/2)范数和显著性约束的模型.该模型利用l_(1/2)范数来约束运动前景，以提高运动前景在动态背景的检测精度；再引入视频每一帧的显著性约束，通过对每一帧图像进行低秩稀疏分解来检测移动缓慢的目标.实验表明，在动态背景干扰下，与近期六种主流算法相比，本文算法在综合指标上取得最优.与次优模型相比，平均查全率提高