【摘 要】
：
针对点云数据集样本不均衡及PointNet网络无法充分利用点云邻域信息的问题,提出一种三维点云场景分割模型.根据几何信息将原始点云块同质分割为超点,利用小型PointNet网络将点云原始特征映射到高维空间中,并挖掘场景中深层语义信息.在此基础上,构建自归一化属性门控单元优化点云上下文语义分割效果,采用二维图像领域中的Focal Loss损失函数实现点云场景分割.实验结果表明,该模型在S3DIS数据集上的平均交并比、总体精度、平均精度分别达到63.8％、86.4％、74.3％,较SPG模型分别提升1.7、0
【机 构】
：
河南理工大学 计算机科学与技术学院,河南 焦作 454000
论文部分内容阅读
针对点云数据集样本不均衡及PointNet网络无法充分利用点云邻域信息的问题,提出一种三维点云场景分割模型.根据几何信息将原始点云块同质分割为超点,利用小型PointNet网络将点云原始特征映射到高维空间中,并挖掘场景中深层语义信息.在此基础上,构建自归一化属性门控单元优化点云上下文语义分割效果,采用二维图像领域中的Focal Loss损失函数实现点云场景分割.实验结果表明,该模型在S3DIS数据集上的平均交并比、总体精度、平均精度分别达到63.8％、86.4％、74.3％,较SPG模型分别提升1.7、0.9、1.3个百分点.
其他文献
为提高软件无线电(SDR)系统波形应用部署的灵活性和FPGA资源利用率,基于SDR系统的软件通信体系架构(SCA),设计一种支持FPGA的动态部分可重构(DPR)软件架构.针对DPR FPGA与CPU组成的异构计算平台,提出一种蚁群优化调度算法,以提高波形应用部署效率.实验结果表明,与MILP算法和ILP算法相比,所提算法的求解性能平均提升了约30％,且随着任务规模的增大,优势更加明显.
断层是控制油气田形成和分布的主要因素,断层检测和识别对于油气勘探具有重要作用.基于Attention-UNet神经网络模型,构建一种面向地震断层图像识别的SPD-UNet模型.引入空洞卷积,在保证卷积核感受野大小且不损失原始图像分辨率的情况下,增强SPD-UNet模型的断层图像特征提取能力.将金字塔结构的空洞卷积组合成SPD模块,解决空洞卷积的局部信息丢失问题,提高断层信息关联性及图像识别精度.实验结果表明,SPD-UNet模型对于地震断层图像的识别精度优于SegNet与ResUNet模型,并且识别结果与
现有网络嵌入算法大多只保留网络的微观结构信息,忽略了网络中普遍存在的社区结构信息.为提高网络表示质量,提出一种保留社区结构信息的网络嵌入算法PCNE.通过最大化节点之间的一阶和二阶相似性,对网络的微观结构进行建模,同时通过分解可反映网络社区结构信息的社区结构嵌入矩阵,对网络的社区结构信息进行建模.将构建的2个模型融合到统一的联合非负矩阵分解框架中,结合相似度矩阵和社区隶属度矩阵得到融合社区结构信息的节点表示向量.在5个真实公开数据集上进行节点分类实验,结果表明,与DeepWalk、Node2vec、LIN
为在交通标志检测过程中同时满足精度和速度的需求,建立一种改进的基于区域全卷积网络(R-FCN)的交通标志检测模型.通过K-means聚类算法对数据集进行分析,选择合适的锚点框.对特征提取网络ResNet101进行结构简化,只使用前25层来提取特征,以缩短检测时间.在模型中引入可变形卷积和可变形位置敏感RoI池化层,以提高模型对交通标志的感应能力.模型训练过程中使用在线困难样本挖掘策略从而减少简单样本数量.在交通标志检测数据集GTSDB上的实验结果表明,该模型对交通标志位置信息较敏感,AP50和AP75指标
手部分割技术受手部形态、分割背景等因素的影响,分割效率难以提高.在CornerNet-Saccade模型基础上构造一种基于扫视机制的分割模型.通过模拟人眼观察物体时先扫视再仔细观察的行为特征,降低待处理图像的像素数量并在初步判断手部位置后将掩码分支添加到不同尺度特征图中,完成精细分割任务.在此基础上,引入线性瓶颈结构完成模型轻量化操作以降低模型复杂度.实验结果表明,该模型在Egohands数据集上平均交并比高达88.4％,优于RefinNet、U-Net等主流模型,轻量化处理后其平均交并比虽降低了2.2个
基于迭代的图像风格转换在图像重组时未考虑内容图像的结构,导致生成的图像存在线条扭曲.为约束图像重组时的信息,提出一种基于边缘检测的图像风格转换算法.通过Sobel滤波器在内容图像和生成图像相同的卷积层上提取边缘信息,同时以均方误差作为损失函数.在此基础上,将边缘损失、内容损失和风格损失的加权代数和作为神经网络的总损失.实验结果表明,该算法能够有效抑制图像的线条扭曲,减少图像噪声,生成更高质量的图像.
立体图像质量评价(SIQA)是评估立体成像系统性能的一种有效方法.考虑到深度信息是立体图像的重要特征,提出一种结合卷积神经网络(CNN)与立体图像深度显著性特征的无参考SIQA方法.分别利用改进显著特征检测模型和高斯差分滤波器提取立体图像的显著特征和深度特征,并通过小波变换融合两者得到深度显著性特征.在此基础上,将深度显著性特征、对比度特征和亮度系数归一化特征作为输入特征对CNN进行模型训练,从而预测图像的质量分数.该方法在LIVE 3D IQA PhaseⅠ、PhaseⅡ、NBU 3D IQA图像库上的
传统主流目标检测算法在嵌入式平台无法兼具高实时性与高准确性,难以应用于边缘智能等领域.为解决微小目标跟踪检测在嵌入式平台实时应用的瓶颈,提出一种高实时微小目标跟踪检测方法.利用轻量化神经网络的骨干网络和路径聚合网络,对整体网络进行针对化的剪枝优化,同时深度融合相关滤波算法,提升针对微小目标跟踪检测的准确度和速度.在3D物体场景渲染器自建的军事微小目标数据集上的实验结果表明,在100像素的极小目标跟踪识别中,与DarkNet53-CSP方法相比,该方法检测精度大幅提高,在400～10000像素的微小目标识别
人脸表情细微的类间差异和显著的类内变化增加了人脸表情识别难度.构建一个基于多尺度双线性池化神经网络的识别模型.设计3种不同尺度网络提取人脸表情全局特征,并引入分层双线性池化层,集成多个同一网络及不同网络的多尺度跨层双线性特征以捕获不同层级间的部分特征关系,从而增强模型对面部表情细微特征的表征及判别能力.同时,使用逐层反卷积融合多层特征信息,解决神经网络通过多层卷积层、池化层提取特征时丢失部分关键特征的问题.实验结果表明,该模型在FER2013和CK+公开数据集上的识别率分别为73.725％、98.28％,
针对现有美式手语(ASL)识别算法准确率低和模型训练时间长的问题,提出一种结合双向二维主成分分析(Bi-2DPCA)与卷积神经网络(CNN)并基于贝叶斯优化的识别算法.利用Bi-2DPCA算法对原始图像做数据降维处理,提取行、列方向的特征图,使用卷积神经网络对特征图进行训练分类,同时采用贝叶斯优化算法对模型超参数进行自动调参.在24分类ASL数据集上的实验结果表明,该算法的识别准确率达到99.15％,训练时间相比传统CNN算法减少90.3％.