【摘 要】
：
近年3D数据采集和处理技术快速发展,点云作为一种典型的3D媒体数据类型引起越来越多的关注,其在无人驾驶、混合现实、测绘和医学影像等多个领域的发展上起到了巨大作用。与传统的图像、视频类似,点云在计算处理过程中会不可避免的引入各种失真,因此,合理准确的点云质量评价模型尤为重要。本文首先分析点云质量评价存在的挑战与困难;然后从点云主观实验方法、数据库构建和客观模型设计三个方面阐述研究现状;针对其关键技术
论文部分内容阅读
近年3D数据采集和处理技术快速发展,点云作为一种典型的3D媒体数据类型引起越来越多的关注,其在无人驾驶、混合现实、测绘和医学影像等多个领域的发展上起到了巨大作用。与传统的图像、视频类似,点云在计算处理过程中会不可避免的引入各种失真,因此,合理准确的点云质量评价模型尤为重要。本文首先分析点云质量评价存在的挑战与困难;然后从点云主观实验方法、数据库构建和客观模型设计三个方面阐述研究现状;针对其关键技术进行分析和探索,并介绍本团队在点云主观质量评价标准化、数据库构建和客观模型设计上取得的阶段成果和未来展望。
其他文献
本课题结合迁移学习策略,设计了一种适用于纸病图像的小样本深度卷积神经网络分类器。首先冻结VGG16网络卷积层的前7层卷积层参数,微调后面的卷积层,完成纸病特征的提取;其次改进用于分类的全连接层,使其满足纸病分类的需求;最后在训练过程中采用迁移学习策略,提高训练效率。结果表明,该方法能够提高纸病识别效率及精度,并进一步加强纸病识别功能。
非负矩阵分解(NMF)已经得到了广泛应用。但NMF更注重数据的局部信息,忽略了数据的全局信息,而在有噪声图像的分类问题上,数据的全局信息往往比局部信息更具鲁棒性。为了提高算法的鲁棒性,结合数据的局部与全局信息,并且考虑低秩表示的特性,提出了一种新的非负监督低秩鉴别嵌入算法,此算法假设数据存在噪声,将数据分解为干净数据与噪声数据,并通过L_1范数对噪声矩阵进行稀疏约束,增强对噪声的鲁棒性。此外,该算
针对视网膜疾病种类繁多、病灶位置不固定等特点,提出一种基于深度卷积集成网络的视网膜多种疾病筛查和识别方法。首先,根据视网膜眼底图像裁剪掉两侧黑色边框,并去除图像中的噪声,以降低对眼底图像的干扰,提高图像的清晰度;之后,通过对处理完成的视网膜眼底图像使用裁剪、旋转等数据增强方法来扩增数据集;再建立基于深度卷积神经网络的模型进行特征提取,并在网络模型微调后完成视网膜疾病筛查和识别任务,最终将多个模型的
经典的稀疏表示分类(SRC)通常是基于求解L1最小化问题的。SRC在原始输入空间中求解L0范数最小化问题,无法很好地获取数据中的非线性信息。为了解决这一问题,应用非线性映射将原始输入数据映射到一个新的高维特征空间,并提出了一种新的基于L0范数的表示方法。在所提方法中,表示测试样本的字典包含两个部分:第一部分固定在测试样本的近邻;第二部分的训练样本通过半遗传算法(SGA)来选择,利用表示误差确定第二
植株叶片检测是植株科学培育和精准农业过程中重要的环节之一。传统植株叶片检测的做法对操作人员的专业知识提出了较高要求,且人工成本高、耗时周期长。基于此,提出基于多尺度卷积神经网络特征融合(MCFF)的植株叶片检测技术。从深度学习技术辅助植株培育的需求出发,基于多尺度卷积神经网络特征融合,针对莲座模式植物、拟南芥和烟草3种不同类型、不同分辨率的植株进行叶片计数检测。经过与其他主流算法的比较,发现MCF
在电力系统需要巡检的大环境下,人工巡检的传统方式存在很大不便和安全隐患,而采用无人机的目标检测方法在绝缘子检测识别方向有很大的应用前景。针对绝缘子图像检测中存在的场景复杂、视角多变、设备计算能力受限等问题,提出了一种改进的轻量级SE-YOLOv5s卷积神经网络来实现对绝缘子的快速目标检测,该方法首先在YOLOv5s网络中融合SE注意力模块,以强化网络对绝缘子目标的辨识能力,随后采用K-means聚
列车视频监控是一种常用的监控手段。由于列车监控需要对整个车身进行完整的扫描,而在此过程中存在列车车身长度较长、单一摄像头捕捉能力有限、多个摄像头监控信息难以完全匹配的问题。为了有效的利用和匹配多个摄像头获得的监控信息,图像配准技术得以发挥作用。然而,传统配准方法存在配准效率低,硬件资源利用量大等问题,在复杂情况下的配准很难做到实时且高效。遗传算法是一种模拟大自然进化过程的最优解搜索算法,对于处理某
随着现代地铁里程数的增加,地铁口和安检设施也随之增加。地铁安检关系着社会安全,但目前对地铁安检采用人工排查的方式,在某些场景下捉襟见肘,因此需要智能安检方法辅助人工排查。随着深度学习的迅速发展,基于深度学习的安检方法十分可行。本文提出采用基于深度学习的方法进行智能安检辅助人工检查,同时针对现有深度学习方法检测准确率较低的缺点,使用注意力机制模块与Focal Loss损失函数模块与深度学习相结合的模
铁道车辆中摇枕、侧架等铸件是非常重要的承载元件,快速、准确地检测其质量对于保障列车行车安全有着重大意义。当前,X射线数字辐射成像技术(Digital Radiography,DR)是铁路铸件质量控制的必备手段,利用DR图像进行缺陷检测已成为基本工序;然而,现有目视检测和传统目标识别方法均难以实现高精度的缺陷识别。基于此,本文提出了一种基于深度学习的铁道车辆铸件X射线DR图像缺陷检测算法。首先,针对
A quick and accurate extraction of dominant colors of background images is the basis of adaptive camouflage design.This paper proposes a Color Image Quick Fuzzy C-Means(CIQFCM) clustering algorithm ba