CN113486963A - 一种密度自适应的点云端到端采样方法 - Google Patents
一种密度自适应的点云端到端采样方法 Download PDFInfo
- Publication number
- CN113486963A CN113486963A CN202110785552.8A CN202110785552A CN113486963A CN 113486963 A CN113486963 A CN 113486963A CN 202110785552 A CN202110785552 A CN 202110785552A CN 113486963 A CN113486963 A CN 113486963A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sampling
- point
- pointnet
- preliminary
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
Abstract
一种密度自适应的点云端到端采样方法,涉及计算机视觉技术。包括步骤:A.准备用于分类任务的点云数据集。B.预训练分类网络PointNet,得到PointNet预训练模型。C.将原始点云数据输入点云简化网络,实现点云的初步采样。D.针对每个初步采样点,实施密度自适应的K近邻算法DAKNN,利用K值划分不同大小的邻域。E.采用自注意力机制,利用邻域信息对初步采样点进行加权更新。F.将更新后的采样点输入预训练的PointNet模型,优化损失函数,得到最终采样点。以端到端学习的方式实现任务相关的点云采样,能够缓解点云密度变化及噪声对采样过程的干扰,从而提升点云采样结果的有效性。
Description
技术领域
本发明涉及计算机视觉技术,具体是涉及一种密度自适应的点云端到端采样方法。
背景技术
作为3D数据的重要代表,点云是一组能够描述对象几何形状的无序点。由于点云通常包含大量的输入点,为降低点云大小并提高计算效率,通常在下游任务执行之前进行下采样操作。
在点云任务中应用最广泛的下采样方法是最远点采样FPS。通过迭代选择最远的点,FPS能够尽可能地覆盖输入点云。然而,FPS的采样结果是任务不相关和噪声敏感的。针对FPS存在的问题,许多学者基于深度学习框架提出下采样的改进算法。Nezhadarya等人(Ehsan Nezhadarya,Ehsan Taghavi,Ryan Razani,Bingbing Liu,and Jun Luo.“Adaptive hierarchical down-sampling for point cloud classification.”InProceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2020.pp.12956-12964.)提出CP-Net,通过衡量采样点对全局池化特征的贡献,能够实现确定性的采样。Dovrat等人(Oren Dovrat,Itai Lang,and Shai Avidan.“Learning to sample.”InProceedings of the IEEE/CVF Conference on ComputerVision and Pattern Recognition.2019.pp.2760-2769.)提出S-Net,通过网络训练得到最优于任务的采样点。Lang等人(Itai Lang,Asaf Manor,and Shai Avidan.“SampleNet:differentiable point cloud sampling.”In Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition.2020.pp.7578-7588.)设计SampleNet,通过对投影权重的优化,实现采样点匹配步骤的可微性。Yang等人(JianchengYang,Qiang Zhang,Bingbing Ni,Linguo Li,Jinxian Liu,Mengdie Zhou,and Qi Tian.“Modeling Point Clouds With Self-Attention and Gumbel Subset Sampling.”InProceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2019.pp.3323-3332.)提出Gumbel子集采样,通Gumbel-Softmax实现端到端可训练的采样层。Yan等人(Xu Yan,Chaoda Zheng,Zhen Li,Sheng Wang,and ShuguangCui.“PointASNL:Robust point clouds processing using nonlocal neural networkswith adaptive sampling.”InProceedings of the IEEE/CVF Conference on ComputerVision and Pattern Recognition.2020.pp.5589-5598.)设计PointASNL网络,通过自适应采样及non-local模块的设计,能够缓解噪声对采样结果的影响。
尽管上述研究实现下采样的轻微改进,但采样中仍存在若干问题。首先,在这些研究中,采样点通常限于原始输入的子集。因此,采样结果可能被异常值影响。其次,这些方法未能联合考虑任务相关性和噪声影响。特别地,在先前的采样方法中,点云密度的不均匀性未受到很多关注。
发明内容
本发明的目的在于针对现有技术存在的上述问题,提供既有利于显著点的提取,也能缓解离群点对采样过程的影响;能够有效降低噪声的影响,提升采样结果有效性的一种密度自适应的点云端到端采样方法。
本发明包括以下步骤:
A.准备用于分类任务的点云数据集;
B.预训练分类网络PointNet,得到PointNet预训练模型;
C.将原始点云数据输入点云简化网络,实现点云的初步采样;
D.针对每个初步采样点,实施密度自适应的K近邻算法DAKNN,利用K值划分不同大小的邻域;
E.采用自注意力机制,利用邻域信息对初步采样点进行加权更新;
F.将更新后的采样点输入预训练的PointNet模型,优化损失函数,得到最终采样点。
在步骤A中,所述准备用于分类任务的点云数据集进一步包括以下子步骤:
A1.准备ModelNet40数据集(Zhirong Wu,Shuran Song,Aditya Khosla,FisherYu,Linguang Zhang,Xiaoou Tang,and Jianxiong Xiao.“3d shapenets:A deeprepresentation for volumetric shapes.”In Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition.2015.pp.1912-1920.);该数据集包含12,311个模型,分别来自40个不同的类别;按照官方训练测试拆分,包含9843个训练模型和2468个测试模型。
在步骤B中,所述预训练分类网络PointNet,得到PointNet预训练模型进一步包括以下子步骤:
B1.在ModelNet40数据集上预训练PointNet分类任务网络,每个点云样本的输入点数为1024;
B2.获得预训练的PointNet模型,该模型的权重在采样网络的训练过程中保持不变。
在步骤C中,所述将原始点云数据输入点云简化网络,实现点云的初步采样进一步包括以下子步骤:
在步骤D中,所述实施密度自适应的K近邻算法DAKNN,利用K值划分不同大小的邻域进一步包括以下子步骤:
D1.计算K的组成部分K0;K0反映点云的平均密度,稀疏区域的K0值较大,而稠密区域的K0值较小;K0的值为U×(N0/N);预设情况下,U=32,N0=1024,N是输入点数;
D2.计算K的组成部分D;D由核密度估计算法计算得出,其计算方式为D=d/dmax,此处d为反密度值;
D3.针对每一个初步采样点si,K值由K0×D计算得出;根据不同的K值,以点云初步采样点si为中心,选择K个邻居进行区域划分,得到M个区域Nsi=DAKNN(nk|si,k=1,2,...,K)。
在步骤E中,所述采用自注意力机制,利用邻域信息对初步采样点进行加权更新进一步包括以下子步骤:
E1.在每个初步采样点si的邻域Nsi,计算每个成员的特征表示;计算公式如下:
φ(nk)=Wφnk (1)
θ(nj)=Wθnj (2)
其中,φ和θ表示不同的特征表示,可以采用一维卷积实现;nk、nj均表示Nsi的成员;
E2.采用点乘计算邻域中Nsi中每个成员相互之间的关系f;计算公式如下:
f(nk,nj)=φ(nk)Tθ(nj) (3)
E3.利用每个成员相互之间的关系,采用自注意力机制对组成员特征进行更新,更新公式如下:
其中,nk表示当前需要更新信息的成员,nj迭代枚举Nsi中的所有成员;γ为线性变化,用于对成员的特征进行编码;C是归一化因子;
E4.利用逐点多层感知机σ计算K个邻居对每个初步采样点的贡献,并利用Softmax计算标准化的权重矩阵,权重矩阵的计算方式如下:
在步骤F中,所述将更新后的采样点输入预训练的PointNet模型,优化损失函数,得到最终采样点进一步包括以下子步骤:
F3.通过联合优化Lt和Lc两个损失函数,生成任务相关的最终采样点,采样网络的总损失定义为:
LDA-Net=Lt+Lc (8)。
与现有技术相比,本发明具有如下突出的优点和技术效果:
本发明提出一种密度自适应的点云端到端采样方法。首先,设计点云简化网络,从而以网络学习的方式生成初步采样点。其次,针对点云的密度变化问题,提出一种密度自适应的K近邻算法DAKNN,能够根据区域密度实现不同大小的邻域划分。同时,设计点云信息调整模块,通过自注意力机制实现初步采样点信息的调整,能够缓解噪声对采样结果的影响。最后,将采样点投入预训练任务网络,从而以端到端的方式实现任务相关的采样。
本发明是基于端到端学习的点云采样,采样结果不局限于原始点的子集。此种方式不仅有利于显著点的提取,也能缓解离群点对采样过程的影响。其次,针对点云密度变化的问题,本发明设计密度自适应的邻域构建模块,在点云分布不均的场景下仍然能够实现鲁棒的采样。同时,考虑到噪声因素,本发明设计采样点调整模块,利用邻域信息对采样点进行更新,能够有效降低噪声的影响,提升采样结果的有效性。
附图说明
图1为本发明的点云采样网络框架示意图。
图2为本发明的点云简化网络模块示意图。
图3为本发明的密度自适应采样模块示意图。
图4为本发明方法与其他采样方法在不同采样比下的表现对比。
具体实施方式
下面结合附图和实施例对本发明的方法作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出实施方式和具体操作过程,但本发明的保护范围不限于下述的实施例。
本发明首先准备用于分类任务的点云数据集。在该数据集上预训练分类网络PointNet,得到PointNet预训练模型。将原始点云数据输入点云简化网络,实现点云的初步采样。针对每个初步采样点,实施密度自适应的K近邻算法DAKNN,利用K值划分不同大小的邻域。采用自注意力机制,利用邻域信息对初步采样点进行加权更新。将更新后的采样点输入预训练的PointNet模型,优化损失函数,得到最终采样点。
参见图1~4,本发明实施例的实施方式包括以下步骤:
1.准备点云分类任务的相关数据集。准备ModelNet40数据集(Zhirong Wu,ShuranSong,Aditya Khosla,Fisher Yu,Linguang Zhang,Xiaoou Tang,and Jianxiong Xiao.“3d shapenets:Adeep representation for volumetric shapes.”In Proceedings ofthe IEEE Conference on Computer Vision and Pattern Recognition.2015.pp.1912-1920.)。该数据集包含12,311个模型,包括40个对象类别。按照官方训练测试拆分,训练集包括843个模型,测试集包括2468个模型。
2.在ModelNet40数据集上预训练PointNet分类任务网络。
A.在ModelNet40上进行PointNet网络的预训练。其中,每个点云样本的输入点数均为1024。
B.保存PointNet预训练模型,其权重在采样网络的训练过程中保持不变。
3.利用点云简化网络得到初步采样结果。
4.针对每个点云初步采样点,实施密度自适应的K近邻算法DAKNN,并由此构建不同大小的邻域。
A.计算K的组成部分K0。K0反映点云的平均密度,稀疏区域的K0值较大,而稠密区域的K0值较小。K0的值为U×(N0/N)。预设情况下,U=32,N0=1024,N是输入点数。
B.计算K的组成部分D。D由核密度估计算法计算得出,其计算方式为d/dmax。此处,d为反密度值。
C.针对每一个初步采样点si,K值由K0×D计算得出。根据不同的K值,以点云初步采样点si为中心,选择K个邻居进行区域划分,共得到M个区域Nsi=DAKNN(nk|si,k=1,2,...,K)。
5.利用邻域信息调整初步采样点。
A.在每个初步采样点si的邻域Nsi,计算每个成员的特征表示。计算公式如下:
φ(nk)=Wφnk (1)
θ(nj)=Wθnj (2)
其中,φ和θ表示不同的特征表示,可以采用一维卷积实现。nk、nj均表示Nsi的成员。
B.采用点乘计算邻域中Nsi中每个成员相互之间的关系f。计算公式如下:
f(nk,nj)=φ(nk)Tθ(nj) (3)
C.利用每个成员相互之间的关系,采用自注意力机制对组成员特征进行更新,更新公式如下:
此处,nk表示当前需要更新信息的成员,nj迭代枚举Nsi中的所有成员。γ为线性变化,用于对成员的特征进行编码。C是归一化因子。
D.利用逐点多层感知机σ计算K个邻居对每个初步采样点的贡献,并利用Softmax计算标准化的权重矩阵,权重矩阵的计算方式如下:
6.将采样点输入预训练的任务网络,通过优化损失函数得到最终采样结果。
C.联合优化Lt和Lc,最终生成任务相关且与邻域联系紧密的采样结果。定义采样网络的总损失为:
LDA-Net=Lt+Lc (8)
本发明与其他采样方法在不同采样比下的表现对比见表1和2。评价指标为分类准确率(%)。表1为在ModelNet40数据集上,本发明提出的方法与其他采样方法在噪声条件下的表现对比,其中:
RS为random sampling,即随机采样的缩写;
FPS为farthestpointsampling,即最远点采样的缩写;
S-NET对应为Dovrat等人提出的方法(Oren Dovrat,Itai Lang,and ShaiAvidan.“Learning to sample.”In Proceedings of the IEEE/CVF Conference onComputer Vision and Pattern Recognition.2019.pp.2760-2769.);
SampleNet对应于Lang等人提出的方法(Itai Lang,Asaf Manor,and ShaiAvidan.“SampleNet:differentiable point cloud sampling.”In Proceedings of theIEEE/CVF Conference on Computer Vision and Pattern Recognition.2020.pp.7578-7588.)。
表1
表2
表2为在ModelNet40数据集上,本发明提出的方法与其他采样方法在点云密度变化条件下的表现对比,其中,各方法对应的方法同表1。图4为本发明方法与其他采样方法在不同采样比下的表现对比。评价指标为分类准确率(%),从对比可以看出,本发明方法的分类准确率明显优于其他采样方法。
Claims (7)
1.一种密度自适应的点云端到端采样方法,其特征在于包括以下步骤:
A.准备用于分类任务的点云数据集;
B.预训练分类网络PointNet,得到PointNet预训练模型;
C.将原始点云数据输入点云简化网络,实现点云的初步采样;
D.针对每个初步采样点,实施密度自适应的K近邻算法DAKNN,利用K值划分不同大小的邻域;
E.采用自注意力机制,利用邻域信息对初步采样点进行加权更新;
F.将更新后的采样点输入预训练的PointNet模型,优化损失函数,得到最终采样点。
2.如权利要求1所述一种密度自适应的点云端到端采样方法,其特征在于在步骤A中,所述准备用于分类任务的点云数据集进一步包括以下子步骤:
A1.准备ModelNet40数据集;该数据集包含12,311个模型,分别来自40个不同的类别;按照官方训练测试拆分,包含9843个训练模型和2468个测试模型。
3.如权利要求1所述一种密度自适应的点云端到端采样方法,其特征在于在步骤B中,所述预训练分类网络PointNet,得到PointNet预训练模型进一步包括以下子步骤:
B1.在ModelNet40数据集上预训练PointNet分类任务网络,每个点云样本的输入点数为1024;
B2.获得预训练的PointNet模型,该模型的权重在采样网络的训练过程中保持不变。
5.如权利要求1所述一种密度自适应的点云端到端采样方法,其特征在于在步骤D中,所述实施密度自适应的K近邻算法DAKNN,利用K值划分不同大小的邻域进一步包括以下子步骤:
D1.计算K的组成部分K0;K0反映点云的平均密度,稀疏区域的K0值较大,而稠密区域的K0值较小;K0的值为U×(N0/N);预设情况下,U=32,N0=1024,N是输入点数;
D2.计算K的组成部分D;D由核密度估计算法计算得出,其计算方式为D=d/dmax,此处d为反密度值;
D3.针对每一个初步采样点si,K值由K0×D计算得出;根据不同的K值,以点云初步采样点si为中心,选择K个邻居进行区域划分,得到M个区域Nsi=DAKNN(nk|si,k=1,2,...,K)。
6.如权利要求1所述一种密度自适应的点云端到端采样方法,其特征在于在步骤E中,所述采用自注意力机制,利用邻域信息对初步采样点进行加权更新进一步包括以下子步骤:
E1.在每个初步采样点si的邻域Nsi,计算每个成员的特征表示;计算公式如下:
φ(nk)=Wφnk (1)
θ(nj)=Wθnj (2)
其中,φ和θ表示不同的特征表示,可以采用一维卷积实现;nk、nj均表示Nsi的成员;
E2.采用点乘计算邻域中Nsi中每个成员相互之间的关系f;计算公式如下:
f(nk,nj)=φ(nk)Tθ(nj) (3)
E3.利用每个成员相互之间的关系,采用自注意力机制对组成员特征进行更新,更新公式如下:
其中,nk表示当前需要更新信息的成员,nj迭代枚举Nsi中的所有成员;γ为线性变化,用于对成员的特征进行编码;C是归一化因子;
E4.利用逐点多层感知机σ计算K个邻居对每个初步采样点的贡献,并利用Softmax计算标准化的权重矩阵,权重矩阵的计算方式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785552.8A CN113486963B (zh) | 2021-07-12 | 2021-07-12 | 一种密度自适应的点云端到端采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785552.8A CN113486963B (zh) | 2021-07-12 | 2021-07-12 | 一种密度自适应的点云端到端采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486963A true CN113486963A (zh) | 2021-10-08 |
CN113486963B CN113486963B (zh) | 2023-07-07 |
Family
ID=77938803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110785552.8A Active CN113486963B (zh) | 2021-07-12 | 2021-07-12 | 一种密度自适应的点云端到端采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486963B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988164A (zh) * | 2021-10-21 | 2022-01-28 | 电子科技大学 | 一种面向代表点自注意力机制的轻量级点云目标检测方法 |
CN114445280A (zh) * | 2022-01-21 | 2022-05-06 | 太原科技大学 | 一种基于注意力机制的点云下采样方法 |
CN116542981A (zh) * | 2023-07-06 | 2023-08-04 | 无锡晨智物联科技有限公司 | 无参考点云的质量评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027559A (zh) * | 2019-10-31 | 2020-04-17 | 湖南大学 | 一种基于扩张点卷积空间金字塔池化的点云语义分割方法 |
CN111783838A (zh) * | 2020-06-05 | 2020-10-16 | 东南大学 | 一种用于激光slam的点云特征空间表征方法 |
CN111951196A (zh) * | 2020-08-14 | 2020-11-17 | 北京大学深圳研究生院 | 基于图的渐进式点云下采样方法及装置 |
CN112418235A (zh) * | 2020-11-20 | 2021-02-26 | 中南大学 | 一种基于膨胀最近邻特征增强的点云语义分割方法 |
US20210133463A1 (en) * | 2019-10-31 | 2021-05-06 | Aptiv Technologies Limited | Multi-Domain Neighborhood Embedding and Weighting of Point Cloud Data |
CN112907602A (zh) * | 2021-01-28 | 2021-06-04 | 中北大学 | 一种基于改进k-近邻算法的三维场景点云分割方法 |
CN112949647A (zh) * | 2021-02-26 | 2021-06-11 | 中国科学院自动化研究所 | 三维场景描述方法、装置、电子设备和存储介质 |
-
2021
- 2021-07-12 CN CN202110785552.8A patent/CN113486963B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027559A (zh) * | 2019-10-31 | 2020-04-17 | 湖南大学 | 一种基于扩张点卷积空间金字塔池化的点云语义分割方法 |
US20210133463A1 (en) * | 2019-10-31 | 2021-05-06 | Aptiv Technologies Limited | Multi-Domain Neighborhood Embedding and Weighting of Point Cloud Data |
CN111783838A (zh) * | 2020-06-05 | 2020-10-16 | 东南大学 | 一种用于激光slam的点云特征空间表征方法 |
CN111951196A (zh) * | 2020-08-14 | 2020-11-17 | 北京大学深圳研究生院 | 基于图的渐进式点云下采样方法及装置 |
CN112418235A (zh) * | 2020-11-20 | 2021-02-26 | 中南大学 | 一种基于膨胀最近邻特征增强的点云语义分割方法 |
CN112907602A (zh) * | 2021-01-28 | 2021-06-04 | 中北大学 | 一种基于改进k-近邻算法的三维场景点云分割方法 |
CN112949647A (zh) * | 2021-02-26 | 2021-06-11 | 中国科学院自动化研究所 | 三维场景描述方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
MEIXIA JIA; AIJIN LI; ZHAOYANG WU: ""A Global Point-Sift Attention Network for 3D Point Cloud Semantic Segmentation"", 《 IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
QIANG LU, CHAO CHEN, WENJUN XIE, YUETONG LUO: "\"PointNGCNN: Deep convolutional networks on 3D point clouds with neighborhood graph filters\"", 《COMPUTERS & GRAPHICS》, vol. 86, no. 2 * |
景川: ""基于深度学习的三维点云语义分割研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, vol. 138, no. 2020 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988164A (zh) * | 2021-10-21 | 2022-01-28 | 电子科技大学 | 一种面向代表点自注意力机制的轻量级点云目标检测方法 |
CN113988164B (zh) * | 2021-10-21 | 2023-08-08 | 电子科技大学 | 一种面向代表点自注意力机制的轻量级点云目标检测方法 |
CN114445280A (zh) * | 2022-01-21 | 2022-05-06 | 太原科技大学 | 一种基于注意力机制的点云下采样方法 |
CN114445280B (zh) * | 2022-01-21 | 2024-03-29 | 太原科技大学 | 一种基于注意力机制的点云下采样方法 |
CN116542981A (zh) * | 2023-07-06 | 2023-08-04 | 无锡晨智物联科技有限公司 | 无参考点云的质量评估方法 |
CN116542981B (zh) * | 2023-07-06 | 2023-08-29 | 无锡晨智物联科技有限公司 | 无参考点云的质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113486963B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486963B (zh) | 一种密度自适应的点云端到端采样方法 | |
Dai et al. | Compressing neural networks using the variational information bottleneck | |
WO2021232687A1 (zh) | 一种基于深度学习的点云上采样方法 | |
US20240202871A1 (en) | Three-dimensional point cloud upsampling method, system and device, and medium | |
CA2913743C (en) | Systems and methods for performing bayesian optimization | |
CN115688913A (zh) | 一种云边端协同个性化联邦学习方法、***、设备及介质 | |
CN108182316B (zh) | 一种基于人工智能的电磁仿真方法及其电磁大脑 | |
CN110991621A (zh) | 一种基于通道数搜索卷积神经网络的方法 | |
JP2022500798A (ja) | 画像処理方法及び装置、コンピュータ機器並びにコンピュータ記憶媒体 | |
CN109151727B (zh) | 基于改进的dbn的wlan指纹定位数据库构建方法 | |
CN112307714A (zh) | 一种基于双阶段深度网络的文字风格迁移方法 | |
Thakur et al. | PReLU and edge‐aware filter‐based image denoiser using convolutional neural network | |
CN115564983A (zh) | 目标检测方法、装置、电子设备、存储介质及其应用 | |
Kakillioglu et al. | 3D capsule networks for object classification with weight pruning | |
CN111353534A (zh) | 一种基于自适应分数阶梯度的图数据类别预测方法 | |
CN112950505B (zh) | 一种基于生成对抗网络的图像处理方法、***和介质 | |
CN113643336A (zh) | 基于球极坐标系深度神经网络的三维图像刚性匹配方法 | |
WO2024060839A1 (zh) | 对象操作方法、装置、计算机设备以及计算机存储介质 | |
CN111291193B (zh) | 一种知识图谱在零次学习上的运用方法 | |
CN110717402B (zh) | 一种基于层级优化度量学习的行人再识别方法 | |
CN116993513A (zh) | 金融风控模型解释方法、装置及计算机设备 | |
CN116177858A (zh) | 高纯石英坩埚的制备方法及其*** | |
WO2023086198A1 (en) | Robustifying nerf model novel view synthesis to sparse data | |
CN115272696A (zh) | 一种基于自适应卷积和局部几何信息的点云语义分割方法 | |
Yan et al. | Structural Feature‐Preserving Point Cloud Denoising Method for Aero‐Engine Profile |
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 |