Nothing Special   »   [go: up one dir, main page]

CN113807366B - 一种基于深度学习的点云关键点提取方法 - Google Patents

一种基于深度学习的点云关键点提取方法 Download PDF

Info

Publication number
CN113807366B
CN113807366B CN202111084647.3A CN202111084647A CN113807366B CN 113807366 B CN113807366 B CN 113807366B CN 202111084647 A CN202111084647 A CN 202111084647A CN 113807366 B CN113807366 B CN 113807366B
Authority
CN
China
Prior art keywords
point
key
point cloud
key point
cloud
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111084647.3A
Other languages
English (en)
Other versions
CN113807366A (zh
Inventor
罗光春
朱大勇
刘欣
陈爱国
赵太银
于书苹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111084647.3A priority Critical patent/CN113807366B/zh
Publication of CN113807366A publication Critical patent/CN113807366A/zh
Application granted granted Critical
Publication of CN113807366B publication Critical patent/CN113807366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于人工智能领域和自动驾驶领域，具体提供一种基于深度学习的点云关键点提取方法；首先，本发明在数据预处理阶段利用地面分割技术过滤了大量的无效点集，提升关键点提取效果和效率；其次，本发明将深度学习技术应用到点云关键点提取问题中，利用GPU并行计算大幅提升了运算速度，构建包括点云划分模块与关键点提取网络的关键点提取模型，点云划分模块中使用最远点采样节点、扩张理论和节点判断提升了点云划分的速度，关键点提取网络中使用注意力机制提升了提取关键点的性能。综上，本发明的计算时间不会随着点云规模和关键点个数的提取大幅增长，且能够提取到性能更加优秀的关键点，能够应用于各种技术和场景。

Description

一种基于深度学习的点云关键点提取方法
技术领域
本发明属于人工智能领域和自动驾驶领域，涉及针对点云数据模型的点云关键点提取技术，具体提供一种基于深度学习的点云关键点提取方法。
背景技术
由于3D传感器设备开发和广泛使用，点云数据也成为了机器视觉里广泛使用的数据类型；同时随着运算能力与数据量的提升，深度学习的方法更多地进入了人们的视野。点云关键点提取是许多相关技术的核心步骤，从点云得到具有良好稳定性和显著性的关键点集，再提取关键点的特征描述符，从而使用少量点集和对应特征描述符表述整个点云。
目前，如SIFT-3D、ISS、Harris-3D等传统方法通过手工设计的具体方法根据局部空间的特性选取具有尺度不变性和旋转不变性的点作为关键点，这类方法没有挖掘局部空间的深层内在信息，且这些方法需要对点云中所有点进行处理，当点云规模较大时效率很低。基于神经网络的方法能够更好的挖掘局部空间的特性，得到更好的关键点；另外，基于神经网络的方法能够基于GPU进行并行计算，大大提升了关键点提取效率。
关键点提取方法通常将点云划分为多个局部点云，再从每个局部点云中提取一个关键点。当前基于神经网络的点云处理方法通常基于PointNet的特征提取网络，该特征提取网络能够提取局部点集的总体特征，根据总体特征生成一个代表性的关键点；该类方法常常过分关注无效点集，如点云中的地面点集往往包含极少的有效信息，该方法却必须从这些地方提取关键点；此外常用的点云划分方法性能也不够优秀，影响了提取的关键点集的效果。
发明内容
本发明的目的在于针对现有技术的问题，提供一种基于深度学习的点云关键点提取方法，应用于自动驾驶领域的点云关键点提取。为实现该目的，本发明采用的技术方案如下：
一种基于深度学习的点云关键点提取方法，包括以下步骤：
步骤1、对采集得到的点云数据进行数据预处理，具体为：首先，使用固定大小的体素网格进行下采样；然后，使用随机一致性采样算法分割点云中的平面中间点集；最后，使用随机采样得到固定规模的数据预处理后点云；
步骤2、将预处理后的点云送入关键点提取模型中得到点云的关键点集以及每个关键点对应的可靠性；
步骤3、根据关键点的可靠性过滤关键点；首先，根据不可靠性对关键点排序，去除可靠性小于预设阈值的关键点；然后，使用非最大值抑制算法筛选关键点集：设置邻近阈值K，使用最邻近算法搜索关键点的邻近点，不断递归搜索邻近点进而构建一个局部关键点集；最后，从各个局部关键点集中选择可靠性最好的点构成最终的关键点集。
进一步的，所述关键点提取模型包括：点云划分模块与局部点集关键点提取网络；
所述点云划分模块用于将点云划分为M个局部点云点集，具体为：使用最远点采样算法选取M个中心节点；设置局部点集的大小m，以中心节点为中心使用最邻近算法向外扩张，当局部点集中节点个数达到2k、或局部点集中节点个数达到k且下一个邻近点为其它中心节点时，停止扩张；从当前选中的局部点集中随机选择m个点构成最终的局部点云点集；
所述关键点提取网络接收局部点云点集作为输入，使用m个一维卷积层将局部点云点集中每个点映射到高维空间中，再使用最大池化层将所有高维空间点融合、得到局部空间特征；
使用Softmax函数调整特征数值大小，得到局部点云点集中每个点的注意力权重；
基于每个点的注意力权重对局部点云点集中每个节点进行加权求和得到估计的关键点，对局部点云点集中每个节点对应的高维空间点进行加权求和后、再经过全连接层完成信息融合和维度压缩得到关键点对应的不可靠性。
更进一步的，所述关键点提取模型的训练过程为：
步骤1、对公开的自动驾驶点云数据集执行步骤1相同数据预处理，得到训练样本集；
步骤2、使用Siamese网络框架构建关键点提取模型的训练模型，将训练样本集作为源点云、并对源点云施加随机刚体变换T得到目标点云，将源点云与目标点云分别输入到Siamese框架的两条分支中；训练模型输出对应源点云提取的关键点集A及其不可靠性集合、及对应目标点云提取的关键点集B及其不可靠性集合；设置损失函数，使用随机梯度下降法对模型进行训练，得到训练完成的关键点提取模型；所述损失函数为：
其中，M为局部点云点集的个数，X表示源点云、表示目标点云，xj表示源点云中的节点、/>表示目标点云中的节点，qi表示源点云输入关键点提取模型后输出的关键点、/>表示目标点云输入关键点提取模型后输出的关键点；dij表示关键点集A中关键点i应用刚体变换T后与关键点集B中关键点j的距离、关键点j为关键点集B中与该关键点i距离最近的关键点，σij表示对应的关键点i与关键点j的平均不可靠性；dji表示关键点集B中关键点j与关键点集A中关键点i的距离、关键点i为关键点集A中与该关键点j距离最近的关键点，σji表示对应的关键点j与关键点i的平均不可靠性；λ为点偏离损失函数的预设权重。
进一步的，所述步骤1中，随机一致性采样算法分割点云中的平面中间点集的具体过程为：使用随机一致性采样拟合点云中超过预设数量阈值的平面方程，对属于平面的点集做进一步判断，若当前点四周的点均属于平面则删除该点、否则保留。
与现有技术相比，本发明做出了以下创新：
本发明提供一种基于深度学习的点云关键点提取方法，应用于自动驾驶领域的点云关键点提取；首先，本发明在数据预处理阶段利用地面分割技术过滤了大量的无效点集，提升关键点提取效果和效率；其次，本发明将深度学习技术应用到点云关键点提取问题中，利用GPU并行计算大幅提升了运算速度，构建包括点云划分模块与关键点提取网络的关键点提取模型，点云划分模块中使用最远点采样节点、扩张理论和节点判断提升了点云划分的速度，关键点提取网络中使用注意力机制提升了提取关键点的性能。综上，本发明的计算时间不会随着点云规模和关键点个数的提取大幅增长，且能够提取到性能更加优秀的关键点，能够应用于各种技术和场景。
附图说明
图1为本发明中基于深度学习的点云关键点提取方法的流程图。
图2为本发明中关键点提取网络的结构图。
图3为本发明中关键点提取网络的训练模型结构图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本实施例提供一种基于深度学习的点云关键点提取方法，其流程如图1所示，具体包括以下步骤：
步骤1、对公开的自动驾驶点云数据集做下采样操作降低点云规模，再使用改进随机一致性采样算法分割点云中的平面中间点集，再使用随机采样得到固定规模的预处理后的数据集；具体如下：
步骤1.1、使用公开的激光雷达点云数据集KITTI，对KITTI中的点云序列做体素网格微0.3m的下采样降低点云规模，常规状态下得到的下采样点云规模在30000-50000左右；
步骤1.2、使用随机一致性采样对点云中的平面进行拟合，设置迭代上限次数为10000，最少内点个数5000，与拟合平面的距离阈值为0.3m，每次迭代随机选取3个点使用线性方程组求解平面；对属于平面的点集做判断，如果当前点四周都是属于平面的点则删除该点，否则保留，这样处理去除了几乎不包含有效信息的平面中间点集，过滤平面中间位置的点集；
步骤1.3、使用随机采样得到固定规模的预处理后的点云数据，本实施例中规模固定为15000；
步骤2、构建基于PointNet和注意力机制的深度学习关键点提取模型，模型包含点云划分模块和局部点集关键点提取网络；具体如下：
步骤2.1、构建关键点提取模型的点云划分模块；点云划分模块中依次是：使用最远点采样算法选取M个中心节点，M的数量级应当与需要的关键点个数相同，M通常可以设置为128、256、512等大小；设置局部点集的大小m、m通常根据点云规模设置，本实施例中可以设置为64、128、256等；以中心节点为中心使用最邻近算法向外扩张，当局部点集中节点个数达到2m、或局部点集中节点个数达到m且下一个邻近点为其它中心节点时停止扩张，从当前选中的局部点集中随机选择m个点作为最终的局部点云点集；对每个中心节点都做上述操作得到M个局部点云点集；
步骤2.2、构建关键点提取模型的关键点提取网络，如图2所示，由卷积层、全连接层、最大池化层、RELU激活函数和逻辑回归模型组成；网络输入层的大小需要匹配局部点云的大小，中间层的大小可以按需调配、通常可以先升高维度再降低，网络接收局部点云点集作为输入，局部点云点集的关键点和对应可靠性作为输出；具体为：
关键点提取网络接收局部点云点集作为输入，假设局部点云点集的维度为m×3，网络中使用m个一维卷积层将局部点云点集中每个3维的点映射到高维空间中，再使用最大池化层将所有高维空间点融合、得到局部空间特征；
使用Softmax函数调整特征数值大小，得到局部点云点集中每个点的注意力权重；
基于每个点的注意力权重对局部点云点集中每个节点进行加权求和得到估计的关键点，对局部点云点集中每个节点对应的高维空间点进行加权求和后、再经过全连接层完成信息融合和维度压缩得到关键点对应的不可靠性；
步骤3、使用Siamese网络框架构建关键点提取模型的训练模型，将预处理后的数据集送入训练模型对关键点提取模型训练；具体如下：
步骤3.1、构建训练模型，将上述关键点提取模型嵌入到Siamese框架中，具体模型例图3所示；模型接收预处理后的源点云与在源点云上施加了随机刚体变换T的目标点云作为输入，分别输入到Siamese框架的两条分支中；训练模型输出源点云和目标点云提取的关键点集和对应的不可靠性集合；对源点云的关键点集施加刚体变换T，根据变换后的关键点集与目标点云的关键点集的相对位置，使用概率倒角距离构建损失函数使用关键点集与对应点云的相对位置构建点偏离点云的点偏离损失函数/>对点偏离损失函数按照一定权重λ和概率倒角距离损失函数求和得到最终的损失函数，训练关键点提取模型，具体为：
其中，M为局部点云点集的个数，X表示源点云、表示目标点云，xj表示源点云中的节点、/>表示目标点云中的节点，qi表示源点云输入关键点提取模型后输出的关键点、/>表示目标点云输入关键点提取模型后输出的关键点；dij表示源点云的关键点集中关键点i应用刚体变换T后与目标点云的关键点集中关键点j的距离、关键点j为目标点云的关键点集中与源点云的关键点集中关键点i距离最近的关键点，σij表示源点云的关键点集中关键点i与目标点云的关键点集中关键点j的平均不可靠性；dji表示目标点云的关键点集中关键点j与源点云的关键点集中关键点i的距离、关键点i为源点云的关键点集中与目标点云的关键点集中关键点j距离最近的关键点，σji表示目标点云的关键点集中关键点j与源点云的关键点集中关键点i的平均不可靠性；λ为点偏离损失函数的预设权重、取值范围0.1～1.0，本实施例中λ可以取0.5、1等；需要说明的是：在上式的每一部分计算过程中，i、j均是变量符号，并非特指某一个关键点；
步骤3.2、使用预处理后的公开点云数据集进行训练，本实施例中用KITTI数据集进行训练，KITTI数据集包含22个点云序列，使用前9个序列进行训练，使用第10和11个序列作为测试集测试模型性能；本实施例中对模型使用随机梯度下降法SGD进行优化，打乱训练数据的顺序训练1000个epoch，当损失函数值收敛且在训练数据上表现稳定是认为训练成功，保存关键点提取模型和对应的网络参数；
步骤4、使用32线的激光雷达装载在自动小车上采集点云数据，将采集得到的点云数据执行步骤1相同的预处理；即：每一帧点云做体素下采样后、使用随机一致性采样提取平面点集并分割平面中间位置的点集、再随机采样获取固定规模的点云数据；
步骤5、将预处理后的点云数据送入训练好的关键点提取模型，得到点云数据的关键点集和对应的不可靠性；
步骤6、根据不可靠性对关键点排序，去除可靠性较差的部分关键点，本实施例中选取可靠的前50％的关键点作为有效关键点；最后使用非最大值抑制算法筛选关键点集：设置邻近阈值K(本实施例设置的邻近阈值K为10)，若关键点与关键点之间间隔点的个数小于邻近阈值K、则认为这两点是重复关键点，使用最邻近算法递归搜索邻近的关键点构成多个局部关键点集，选择每个局部关键点集中最可靠的点构成最终的关键点集。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (3)

1.一种基于深度学习的点云关键点提取方法，包括以下步骤：
步骤1、对采集得到的点云数据进行数据预处理，具体为：首先，使用固定大小的体素网格进行下采样；然后，使用随机一致性采样算法分割点云中的平面中间点集；最后，使用随机采样得到固定规模的数据预处理后点云；
步骤2、将预处理后的点云送入关键点提取模型中得到点云的关键点集以及每个关键点对应的可靠性；
所述关键点提取模型包括：点云划分模块与关键点提取网络；
所述点云划分模块用于将点云划分为M个局部点云点集，具体为：使用最远点采样算法选取M个中心节点；设置局部点集的大小m，以中心节点为中心使用最邻近算法向外扩张，当局部点集中节点个数达到2k、或局部点集中节点个数达到k且下一个邻近点为其它中心节点时，停止扩张；从当前选中的局部点集中随机选择m个点构成最终的局部点云点集；
所述关键点提取网络接收局部点云点集作为输入，使用m个一维卷积层将局部点云点集中每个点映射到高维空间中，再使用最大池化层将所有高维空间点融合、得到局部空间特征；
使用Softmax函数调整特征数值大小，得到局部点云点集中每个点的注意力权重；
基于每个点的注意力权重对局部点云点集中每个节点进行加权求和得到估计的关键点，对局部点云点集中每个节点对应的高维空间点进行加权求和后、再经过全连接层完成信息融合和维度压缩得到关键点对应的不可靠性；
步骤3、根据关键点的可靠性过滤关键点；首先，根据不可靠性对关键点排序，去除可靠性小于预设阈值的关键点；然后，使用非最大值抑制算法筛选关键点集：设置邻近阈值K，使用最邻近算法搜索关键点的邻近点，不断递归搜索邻近点进而构建一个局部关键点集；最后，从各个局部关键点集中选择可靠性最好的点构成最终的关键点集。
2.按权利要求1所述基于深度学习的点云关键点提取方法，其特征在于，所述关键点提取模型的训练过程为：
步骤1、对公开的自动驾驶点云数据集执行步骤1相同数据预处理，得到训练样本集；
步骤2、使用Siamese网络框架构建关键点提取模型的训练模型，将训练样本集作为源点云、并对源点云施加随机刚体变换T得到目标点云，将源点云与目标点云分别输入到Siamese框架的两条分支中；训练模型输出对应源点云提取的关键点集A及其不可靠性集合、及对应目标点云提取的关键点集B及其不可靠性集合；设置损失函数，使用随机梯度下降法对模型进行训练，得到训练完成的关键点提取模型；所述损失函数为：
其中，M为局部点云点集的个数，X表示源点云、表示目标点云，xj表示源点云中的节点、/>表示目标点云中的节点，qi表示源点云输入关键点提取模型后输出的关键点、/>表示目标点云输入关键点提取模型后输出的关键点；dij表示关键点集A中关键点i应用刚体变换T后与关键点集B中关键点j的距离、关键点j为关键点集B中与该关键点i距离最近的关键点，σij表示对应的关键点i与关键点j的平均不可靠性；dji表示关键点集B中关键点j与关键点集A中关键点i的距离、关键点i为关键点集A中与该关键点j距离最近的关键点，σji表示对应的关键点j与关键点i的平均不可靠性；λ为点偏离损失函数的预设权重。
3.按权利要求1所述基于深度学习的点云关键点提取方法，其特征在于，所述步骤1中，随机一致性采样算法分割点云中的平面中间点集的具体过程为：使用随机一致性采样拟合点云中超过预设数量阈值的平面方程，对属于平面的点集做进一步判断，若当前点四周的点均属于平面则删除该点、否则保留。
CN202111084647.3A 2021-09-16 2021-09-16 一种基于深度学习的点云关键点提取方法 Active CN113807366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111084647.3A CN113807366B (zh) 2021-09-16 2021-09-16 一种基于深度学习的点云关键点提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111084647.3A CN113807366B (zh) 2021-09-16 2021-09-16 一种基于深度学习的点云关键点提取方法

Publications (2)

Publication Number Publication Date
CN113807366A CN113807366A (zh) 2021-12-17
CN113807366B true CN113807366B (zh) 2023-08-08

Family

ID=78895498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111084647.3A Active CN113807366B (zh) 2021-09-16 2021-09-16 一种基于深度学习的点云关键点提取方法

Country Status (1)

Country Link
CN (1) CN113807366B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332414A (zh) * 2022-01-07 2022-04-12 成都纵横大鹏无人机科技有限公司 一种基于关键点分割地面点的方法、系统及可读介质
CN114639115B (zh) * 2022-02-21 2024-07-05 北京航空航天大学 一种人体关键点与激光雷达融合的3d行人检测方法
CN114627346B (zh) * 2022-03-15 2023-06-16 电子科技大学 一种保留重要特征的点云数据下采样方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469388A (zh) * 2015-11-16 2016-04-06 集美大学 基于降维的建筑物点云配准算法
CN108765475A (zh) * 2018-05-25 2018-11-06 厦门大学 一种基于深度学习的建筑物三维点云配准方法
CN108876831A (zh) * 2018-06-08 2018-11-23 西北工业大学 一种基于深度学习的建筑物三维点云配准方法
CN109034077A (zh) * 2018-08-01 2018-12-18 湖南拓视觉信息技术有限公司 一种基于多尺度特征学习的三维点云标记方法和装置
CN109410321A (zh) * 2018-10-17 2019-03-01 大连理工大学 基于卷积神经网络的三维重建方法
CN110415342A (zh) * 2019-08-02 2019-11-05 深圳市唯特视科技有限公司 一种基于多融合传感器的三维点云重建装置与方法
CN110910433A (zh) * 2019-10-29 2020-03-24 太原师范学院 一种基于深度学习的点云匹配方法
CN111553409A (zh) * 2020-04-27 2020-08-18 哈尔滨工程大学 一种基于体素形状描述符的点云识别方法
CN111882593A (zh) * 2020-07-23 2020-11-03 首都师范大学 结合注意力机制及三维图卷积网络的点云配准模型及方法
CN112215101A (zh) * 2020-09-27 2021-01-12 武汉科技大学 一种基于注意力机制的三维目标识别方法及系统
CN112362072A (zh) * 2020-11-17 2021-02-12 西安恒图智源信息科技有限责任公司 一种复杂城区环境中的高精度点云地图创建系统及方法
CN113160285A (zh) * 2021-05-08 2021-07-23 中国科学院自动化研究所苏州研究院 一种基于局部深度图像关键性的点云匹配方法
CN113160287A (zh) * 2021-03-17 2021-07-23 华中科技大学 一种基于特征融合的复杂构件点云拼接方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11645756B2 (en) * 2019-11-14 2023-05-09 Samsung Electronics Co., Ltd. Image processing apparatus and method
US11526754B2 (en) * 2020-02-07 2022-12-13 Kyndryl, Inc. Feature generation for asset classification
CN111369602B (zh) * 2020-02-25 2023-10-27 阿波罗智能技术(北京)有限公司 点云数据的处理方法、装置、电子设备及可读存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469388A (zh) * 2015-11-16 2016-04-06 集美大学 基于降维的建筑物点云配准算法
CN108765475A (zh) * 2018-05-25 2018-11-06 厦门大学 一种基于深度学习的建筑物三维点云配准方法
CN108876831A (zh) * 2018-06-08 2018-11-23 西北工业大学 一种基于深度学习的建筑物三维点云配准方法
CN109034077A (zh) * 2018-08-01 2018-12-18 湖南拓视觉信息技术有限公司 一种基于多尺度特征学习的三维点云标记方法和装置
CN109410321A (zh) * 2018-10-17 2019-03-01 大连理工大学 基于卷积神经网络的三维重建方法
CN110415342A (zh) * 2019-08-02 2019-11-05 深圳市唯特视科技有限公司 一种基于多融合传感器的三维点云重建装置与方法
CN110910433A (zh) * 2019-10-29 2020-03-24 太原师范学院 一种基于深度学习的点云匹配方法
CN111553409A (zh) * 2020-04-27 2020-08-18 哈尔滨工程大学 一种基于体素形状描述符的点云识别方法
CN111882593A (zh) * 2020-07-23 2020-11-03 首都师范大学 结合注意力机制及三维图卷积网络的点云配准模型及方法
CN112215101A (zh) * 2020-09-27 2021-01-12 武汉科技大学 一种基于注意力机制的三维目标识别方法及系统
CN112362072A (zh) * 2020-11-17 2021-02-12 西安恒图智源信息科技有限责任公司 一种复杂城区环境中的高精度点云地图创建系统及方法
CN113160287A (zh) * 2021-03-17 2021-07-23 华中科技大学 一种基于特征融合的复杂构件点云拼接方法及系统
CN113160285A (zh) * 2021-05-08 2021-07-23 中国科学院自动化研究所苏州研究院 一种基于局部深度图像关键性的点云匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘瑜.面向SLAM的RGB-D特征检测与描述算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2021,I138-1297. *

Also Published As

Publication number Publication date
CN113807366A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN113807366B (zh) 一种基于深度学习的点云关键点提取方法
Wang et al. RSNet: The search for remote sensing deep neural networks in recognition tasks
CN110929736B (zh) 多特征级联rgb-d显著性目标检测方法
CN110399819A (zh) 一种基于深度学习的遥感影像居民区自动提取方法
CN113705580B (zh) 基于深度迁移学习的高光谱图像分类方法
CN112766280A (zh) 一种基于图卷积的遥感图像道路提取方法
CN103927531A (zh) 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法
CN115116054B (zh) 一种基于多尺度轻量级网络的病虫害识别方法
CN112329818B (zh) 基于图卷积网络嵌入表征的高光谱图像非监督分类方法
Syam et al. An effective similarity measure via genetic algorithm for content based image retrieval with extensive features.
CN111429977A (zh) 一种新的基于图结构注意力的分子相似性搜索算法
CN117746260A (zh) 遥感数据智能解析方法及系统
CN111612046B (zh) 特征金字塔图卷积神经网络及其在3d点云分类中的应用
CN116129118A (zh) 基于图卷积的城市场景激光LiDAR点云语义分割方法
CN116011521A (zh) 一种高效的基于可微分的神经网络架构搜索方法
CN113888505A (zh) 一种基于语义分割的自然场景文本检测方法
CN107832753B (zh) 一种基于四值权重与多重分类的人脸特征提取方法
Liu et al. Image retrieval using CNN and low-level feature fusion for crime scene investigation image database
CN108805280B (zh) 一种图像检索的方法和装置
CN114463340A (zh) 一种边缘信息引导的敏捷型遥感图像语义分割方法
CN114565774A (zh) 基于局部几何与全局结构联合学习的3d图卷积分类方法
CN117392547A (zh) 融合Swin Transformer与视觉图神经网络的遥感影像场景分类方法
Hao et al. Research on image semantic segmentation based on FCN-VGG and pyramid pooling module
CN116386803A (zh) 一种基于图的细胞病理报告生成方法
Chen et al. Mapping urban form and land use with deep learning techniques: a case study of Dongguan City, China

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant