CN112861862A - 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 - Google Patents
基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 Download PDFInfo
- Publication number
- CN112861862A CN112861862A CN202110061603.2A CN202110061603A CN112861862A CN 112861862 A CN112861862 A CN 112861862A CN 202110061603 A CN202110061603 A CN 202110061603A CN 112861862 A CN112861862 A CN 112861862A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- segmentation
- network
- srg
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 30
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000008439 repair process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 238000004003 stimulated Raman gain spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法,该方法对点云数据进行无监督的语义分割,首先根据点云的三维坐标数据进行法向量预测,然后对点云进行基于法向量的预分割,进而使用SRG‑Net对点云进行部分分割,最后对分割结果进行自动调整,根据之前SRG之中预分割的结果,对SRG‑Net中的结果进行增强,从而得出点云的分割标签。实现了对兵马俑点云的无监督部分分割,除了兵马俑点云,对一般点云分割也能取得较好效果。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于区域生长与深度学习结合的对兵马俑点云的无监督分割方法,可以用于将兵马俑三维点云分割为点云集合,例如:头部、盔甲、手部、腿部。
背景技术
目前从古墓里挖出来的兵马俑碎片繁多,现在的博物馆工作人员主要通过手工修复兵马俑,一年只能完整修复拼接个位数的兵马俑,效率较低。随着三维设备的发展,以及GPU硬件设备算力的提升,让博物馆工作人员或科技工作者对兵马俑进行三维数字化成为了可能。而三维点云数据的分割是三维研究中的一个重点,可以通过分割兵马俑的三维点云数据,并将整个兵马俑的三维点云存储在博物馆的数据库中,博物馆的工作人员或科技工作者可以通过将古墓里的兵马俑碎片与数据库中完整的兵马俑进行比对,从而完成兵马俑的修复。但是即使是这样,博物馆的工作人员或者科技工作者修复兵马俑的效率依然低下。
为了提高工作人员对兵马俑的修复效率,寻找一种针对兵马俑点云的无监督分割方法具有重要的理论研究和实际应用意义。
发明内容
本发明的目的在于,提出了一种基于区域生长与深度学习结合的无监督分割方法,用于对兵马俑三维点云进行无监督部分分割。
为了实现上述任务,本发明采取如下的技术解决方案:
一种基于区域生长与深度学习结合的对兵马俑点云的无监督分割方法,其特征在于,对点云数据进行无监督的语义分割,具体包括:
(1)根据点云的三维坐标数据进行法向量预测
对于点云P中的每个点p计算最邻近的点,然后根据最邻近的点计算表面法向量的值,判断法向量的值是否朝向视点,否则将法向量进行反转;
(2)对点云进行基于法向量的预分割
首先,对整个点云进行计算K-近邻以获取每个点的K个最近邻居,然后,选择一个随机点作为开始种子,并添加到可用点集合并启动算法,最后,从可用列表中选择第一个种子,以判断其附近的点;如果法线值和欧氏距离在设置阈值内,则可以判断这两个点在语义上是连续的,并且可以将两个点分组为一个群集;
(3)使用SRG-Net对点云进行部分分割
提出SRG-Net,将动态图卷积神经网络与种子生长算法进行结合,并且添加数据增强来更好地让图神经网络进行学习,并且图参数在网络的每个层中都进行更新;SRG-Net的网络由两个子网组成,第一部分是编码器子网络,它根据动态图和整个点云生成三个子图特征和一个瓶颈特征,第二部分是聚类网络,起到解码器的功能,将之前的四个特征结合起来得到最后的分割结果;
编码器子网络包含一个空间转换网络(提供空间转换矩阵)以及三个边卷积多层感知机以及一个图编码网络;聚类器子网络将之前的瓶颈特征和三个子图特征级联,并输入一个带Dropout的三层感知机,然后再输入一个二层感知机,最后加上一个SoftMax层从而得到点云的分类标签;
最后对分割结果进行自动调整,根据之前SRG之中预分割的结果,对SRG-Net中的结果进行增强,从而得出点云的分割标签。
本发明的基于区域生长与深度学习结合的对兵马俑点云的无监督分割方法,实现了对兵马俑点云的无监督部分分割。与现有方法相比,主要贡献在于:
1、设计了一种基于法向量的区域生长算法对点云进行预分割,以充分利用点云的三维坐标和法线特征。
2、通过结合DG-CNN和FoldingNet来设计新的卷积神经网络,以更好地了解三维点云的功能。
3、将区域生长算法和卷积神经网络相结合并进行增强,并获得了最新的分割结果。
4、端到端模型不仅可以用于兵马俑点云,而且可以在其他点云上获得较好的结果。
附图说明
图1是神经网络总体结构示意图;
图2是编码器网络结构示意图;
图3是空间转换网络结构图;
图4是边卷积结构示意图;
图5是图卷积编码器结构示意图;
图6是聚类子网络结构示意图;
图7是本发明的基于区域生长与深度学习结合的对兵马俑点云的无监督分割方法的结构示意图;
图8是SRG-Net与其他方法的结果对比图例;
图9是不同迭代次数下的结果
以下结合附图和实施例对本发明作进一步的详细说明。
具体实施方式
本实施例给出一种基于区域生长与深度学习结合的对兵马俑点云的无监督分割方法,其特征在于,对点云数据进行无监督的语义分割,具体包括:
(1)根据点云的三维坐标数据进行法向量预测
对于点云P中的每个点p计算最邻近的点,然后根据最邻近的点计算表面法向量的值,判断法向量的值是否朝向视点,否则将法向量进行反转;
(2)对点云进行基于法向量的预分割
首先,对整个点云进行计算K-近邻以获取每个点的K个最近邻居,然后,选择一个随机点作为开始种子,并添加到可用点集合并启动算法,最后,从可用列表中选择第一个种子,以判断其附近的点;如果法线值和欧氏距离在设置阈值内,则可以判断这两个点在语义上是连续的,并且可以将两个点分组为一个群集;
(3)使用SRG-Net对点云进行部分分割
提出SRG-Net,将动态图卷积神经网络与种子生长算法进行结合,并且添加数据增强来更好地让图神经网络进行学习,并且图参数在网络的每个层中都进行更新;SRG-Net的网络由两个子网组成,第一部分是编码器子网络,它根据动态图和整个点云生成三个子图特征和一个瓶颈特征,第二部分是聚类网络,起到解码器的功能,将之前的四个特征结合起来得到最后的分割结果;
编码器子网络包含一个空间转换网络(提供空间转换矩阵)以及三个边卷积多层感知机以及一个图编码网络;聚类器子网络将之前的瓶颈特征和三个子图特征级联,并输入一个带Dropout的三层感知机,然后再输入一个二层感知机,最后加上一个SoftMax层从而得到点云的分类标签;
最后对分割结果进行自动调整,根据之前SRG之中预分割的结果,对SRG-Net中的结果进行增强,从而得出点云的分割标签。
以下是具体的实施过程。
从挖掘现场挖出大量碎片,目前兵马俑博物馆的研究人员主要是手工修理兵马俑,一年只能修理少量的兵马俑。申请人希望能够自动分割兵马俑的三维点云数据,并将兵马俑的整个三维点云存储在数据库中,以便博物馆工作人员可以将兵马俑中的兵马俑碎片与完整的兵马俑进行比较。该数据库的建立可以加快修复破碎的兵马俑的速度。先前许多点云研究工作主要是关于将深度学习用于有监督的分类、聚类以及无监督的表示和重构。很少有将深度学习研究集中在无监督的点云部分分割上。因此,申请人提出了一种新的无监督学习分割方法,首先使用基于法向量的区域生长算法来预分割点云,然后通过结合有监督的分割和无监督的重构网络来粗略地分割点云和CNN,以更好地了解三维点云的特征。最后,将SRG算法与改进后的CNN相结合,形成本发明的方法并称之为SRG-Net。
选择点云作为处理对象,对于三维网格这种数据格式来说,网格是不规则的而且计算三维网格很耗时,会导致处理三维网格会有较高的空间和时间复杂度,因此网格不是学习特征的好方法。对于多视图图像,一幅图像只能显示一个表面的特征,而不能说出一个对象的整体结构,无法体现点云的整体特征。近年来,有许多关于如何对点云进行体素化使其均匀分布在常规三维空间中的研究,从而可以在其上实现三维卷积神经网络。然而,体素化的过程有很高的空间和时间复杂度,并且体素化过程中可能存在量化误差,从而降低精度。根据申请人的研究表明,与其他数据格式相比,点云是一种适用于兵马俑三维场景计算的结构,所以最终选择以点云的形式对兵马俑进行分割。
在上述的问题中,标签是固定的,而映射函数和特征值是可训练的,因此本问题也可以视为监督问题。为了解决无监督分割问题,可以将上述问题分为两个子问题:首先,需要设计一种算法来较好地预测标签;其次,需要设计一个网络来更好地充分利用兵马俑点云特征和标签值来对点云进行分割。
关于如何获得最佳分类标签,可以认为一个好的点云分割方法就像人类处理分割任务时那样。例如图像分割,当一个人对点云进行分割时,它最有可能根据不同部分的相似特征或语义含义对像素进行聚类。在二维图像中,空间连续像素往往具有相似的颜色或纹理。在三维点云中,对具有相似法向量或颜色的空间连续点进行聚类是合理的,从而可以在三维点云分割中使用相同的标签。此外,两个具有相同标签的点之间的欧几里得距离不会很长。因此,设计以下两个准则来预测:
1、具有相似特征的点会被赋予相同的标签;
2、空间连续点之间的欧几里得距离不应太长。
SRG:
与二维图像不同,并非所有的点云数据都具有颜色特征。例如,兵马俑三维对象没有任何颜色特征。但是,几乎所有点云都可以通过点坐标来计算和预测法线向量。值得注意的是,图像中的颜色与三维中的法向量特征之间存在许多相似之处和不同之处。对于二维图像中的颜色特征,如果像素在语义上相关,则邻域中像素的颜色通常不会发生变化。对于三维点云法线特征,与二维图像中的颜色特征相比,在点云中对于任意一个点附近的点的法向量通常会有所不同。但是就相似性而言,即使点云邻域的每个点都具有不同的法向量,它们通常不会发生太大变化,除非它们在语义上不连续。基于点云法向量特征的上述特征,设计了基于法向量的针对兵马俑的种子区域生长方法对点云进行预分割。
首先,对整个点云计算K-近邻来获取每个点的最近邻域点集,然后,选择一个随机点作为开始种子,并添加到可用点集合以启动算法。然后,从可用列表中选择第一个种子,以判断其附近的点。如果法线值和欧氏距离在设置的阈值内,则可以判断这两个点在语义上是连续的,并且可以将两个点分组为一个群集,具体方法如下:
1、随机选个点作为种子;
2、对种子周围的邻域进行判断,如果欧氏距离和法向量值小于阈值,将其加入集合,作为同一部分的点。
3、如果周围邻域内的点不在种子集合中,则将其加入种子集合中。
SRG-Net:
申请人提出的SRG-Net使用的卷积神经网络与经典图卷积神经网络不同,将动态图与种子生长算法进行结合,并且添加数据增强来更好地让图神经网络进行学习,并且图参数在网络的每个层中都进行更新。与仅关注点之间关系的神经网络相比,还提出了一种自动编码结构来更好地学习与表达整个点云的特征,旨在更好地了解点云的结构并优化分段的预分割结果。其网络结构可以在图1中显示,它由两个子网组成,第一部分是编码器子网,如图2所示,它根据动态图和整个点云生成特征,第二部分是分割网络(或称为聚类器),如图6所示,起到解码器的功能。
首先,对于整个点云,计算空间转换网络如图3所示,并获得3×3的转换矩阵,以保持变换不变性。然后对于变换后的点云,计算三个动态图并分别得到图特征。在图形特征提取过程中,采用边卷积(图4)来计算每一层的图形特征,该函数使用非对称边缘函数,公式如下:
fij=h(xi,xi-xj)
将邻域中心的坐标与邻域点坐标和中心点坐标之间的差组合起来,以获得局部和全局特征。然后,使用Leaky ReLU和最大池化来获得最终结果。
中间的瓶颈特征是由图特征提取层计算而得出的。图特征提取层的结构如图5所示。首先,为每个点计算协方差矩阵3×3,并将其向量化为1×9。然后将点坐标的矩阵n×3与协方差矩阵n×9连接成n×12,并将它们输入到三层感知器中。然后将感知器的输出馈送到两个后续的图形层。在每一层中,每个节点的邻居添加最大池化。最后,将三层感知器应用于前一个输出并获得最终输出。输出是:
Y=Amax(x)K
其中,K是一个特征映射矩阵,而Amax(x)K是:
Amax(x)ij=ReLU(Maxk∈N(i)xkj)
其中,最大池化操作能够获得图结构的局部邻域特征,所以图特征提取不仅仅能够获得局部邻域特征,而且可以获得全局特征。
聚类器将之前的编码器所算出的瓶颈特征作为输入并且通过给点云中的每个点附上标签从而对点云进行分割。聚类器的结构在图6中展示。
首先瓶颈特征被重复N次,其中N表示点云之中点的数量,然后在接上之前编码器中算出的动态特征,然后输入三层感知机中从而获得中间结果,最后输入SoftMax层从而获得最终的分割结果。
在SRG-Net一个循环结束之后,对分割结果进行增强,根据之前SRG之中预分割的结果A,对SRG-Net中的结果S(s1,s2,s3,…,sn)进行调整,其中,si表示每个聚类;根据S聚类si中数量最多的A标签,将si所属的标签调整为相应的A标签。
结果:
发明人选取了SRG-DGCNN、SRG-PointNet、SRG-PointNet2、Kmeans-DGCNN、Kmeans-PointNet、Kmeans-PointNet2作为对比与SRG-Net的对比实验,实验结果如图8所示。
SRG-Net不同迭代次数下的结果如图9所示。
Claims (1)
1.一种基于区域生长与深度学习结合的对兵马俑点云的无监督分割方法,其特征在于,对点云数据进行无监督的语义分割,具体包括:
(1)根据点云的三维坐标数据进行法向量预测
对于点云P中的每个点p计算最邻近的点,然后根据最邻近的点计算表面法向量的值,判断法向量的值是否朝向视点,否则将法向量进行反转;
(2)对点云进行基于法向量的预分割
首先,对整个点云进行计算K-近邻以获取每个点的K个最近邻居,然后,选择一个随机点作为开始种子,并添加到可用点集合并启动算法,最后,从可用列表中选择第一个种子,以判断其附近的点;如果法线值和欧氏距离在设置阈值内,则可以判断这两个点在语义上是连续的,并且可以将两个点分组为一个群集;
(3)使用SRG-Net对点云进行部分分割
提出SRG-Net,将动态图卷积神经网络与种子生长算法进行结合,并且添加数据增强来更好地让图神经网络进行学习,并且图参数在网络的每个层中都进行更新;SRG-Net的网络由两个子网组成,第一部分是编码器子网络,它根据动态图和整个点云生成三个子图特征和一个瓶颈特征,第二部分是聚类网络,起到解码器的功能,将之前的四个特征结合起来得到最后的分割结果;
编码器子网络包含一个空间转换网络以及三个边卷积多层感知机以及一个图编码网络;聚类器子网络将之前的瓶颈特征和三个子图特征级联,并输入一个带Dropout的三层感知机,然后再输入一个二层感知机,最后加上一个SoftMax层从而得到点云的分类标签;
最后对分割结果进行自动调整,根据之前SRG之中预分割的结果,对SRG-Net中的结果进行增强,从而得出点云的分割标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110061603.2A CN112861862A (zh) | 2021-01-18 | 2021-01-18 | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110061603.2A CN112861862A (zh) | 2021-01-18 | 2021-01-18 | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861862A true CN112861862A (zh) | 2021-05-28 |
Family
ID=76006241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110061603.2A Pending CN112861862A (zh) | 2021-01-18 | 2021-01-18 | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861862A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114584850A (zh) * | 2022-03-09 | 2022-06-03 | 合肥工业大学 | 一种面向点云视频流媒体传输的用户视角预测方法 |
CN117994527A (zh) * | 2024-04-03 | 2024-05-07 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于区域生长的点云分割方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650278B1 (en) * | 2017-07-21 | 2020-05-12 | Apple Inc. | Semantic labeling of point clouds using images |
CN111507982A (zh) * | 2019-06-28 | 2020-08-07 | 浙江大学 | 一种基于深度学习的点云语义分割方法 |
-
2021
- 2021-01-18 CN CN202110061603.2A patent/CN112861862A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650278B1 (en) * | 2017-07-21 | 2020-05-12 | Apple Inc. | Semantic labeling of point clouds using images |
CN111507982A (zh) * | 2019-06-28 | 2020-08-07 | 浙江大学 | 一种基于深度学习的点云语义分割方法 |
Non-Patent Citations (4)
Title |
---|
ASAKO KANEZAKI: "UNSUPERVISED IMAGE SEGMENTATION BY BACKPROPAGATION", 《IEEE》 * |
YAO HU 等: "SRG-Net: Unsupervised Segmentation for Terracotta Warrior Point Cloud with 3D Pointwise CNN methods", 《ARXIV》 * |
刘毅: "基于PCL的建筑物三维点云无标靶配准研究", 《CNKI硕士电子期刊》 * |
周蓬勃等: "基于几何特征的兵马俑断裂面匹配方法", 《北京理工大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114584850A (zh) * | 2022-03-09 | 2022-06-03 | 合肥工业大学 | 一种面向点云视频流媒体传输的用户视角预测方法 |
CN114584850B (zh) * | 2022-03-09 | 2023-08-25 | 合肥工业大学 | 一种面向点云视频流媒体传输的用户视角预测方法 |
CN117994527A (zh) * | 2024-04-03 | 2024-05-07 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于区域生长的点云分割方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443842B (zh) | 基于视角融合的深度图预测方法 | |
CN109598268B (zh) | 一种基于单流深度网络的rgb-d显著目标检测方法 | |
CN113487664B (zh) | 三维场景感知方法、装置、电子设备、机器人及介质 | |
Dong et al. | Exploiting rigidity constraints for lidar scene flow estimation | |
CN111401380B (zh) | 一种基于深度特征增强和边缘优化的rgb-d图像语义分割方法 | |
CN112560865B (zh) | 一种室外大场景下点云的语义分割方法 | |
CN112837344A (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
CN111178312B (zh) | 基于多任务特征学习网络的人脸表情识别方法 | |
CN112861862A (zh) | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 | |
CN113362242B (zh) | 基于多特征融合网络的图像修复方法 | |
CN116682021A (zh) | 一种高分辨率遥感影像建筑物矢量轮廓数据提取方法 | |
CN113239749A (zh) | 一种基于多模态联合学习的跨域点云语义分割方法 | |
CN114565628B (zh) | 一种基于边界感知注意的图像分割方法及*** | |
CN112257496A (zh) | 一种基于深度学习的输电通道周围环境分类方法及*** | |
Kekre et al. | Color Image Segmentation using Vector Quantization Techniques Based on the Energy Ordering concept | |
CN111860668B (zh) | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 | |
CN113284249A (zh) | 一种基于图神经网络的多视角三维人体重建方法及*** | |
CN116310621A (zh) | 一种基于特征库构建的少样本图像识别方法 | |
CN112365456B (zh) | 基于三维点云数据的变电站设备分类方法 | |
CN111986223B (zh) | 一种基于能量函数的室外点云场景中树木提取方法 | |
Mandal et al. | Deep learning model with GA-based visual feature selection and context integration | |
CN113610711A (zh) | 一种单图像引导的三维表面重建方法及装置 | |
Wang et al. | A novel real-time semantic-assisted LiDAR odometry and mapping system | |
CN114092650B (zh) | 一种基于高效图卷积的三维点云生成方法 | |
CN114612734B (zh) | 遥感影像特征匹配方法、装置、存储介质及计算机设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210528 |
|
WD01 | Invention patent application deemed withdrawn after publication |