CN113989291A - 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 - Google Patents
一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 Download PDFInfo
- Publication number
- CN113989291A CN113989291A CN202111219599.4A CN202111219599A CN113989291A CN 113989291 A CN113989291 A CN 113989291A CN 202111219599 A CN202111219599 A CN 202111219599A CN 113989291 A CN113989291 A CN 113989291A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- segmentation
- roof
- network
- building
- 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 103
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000005192 partition Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 8
- 239000011800 void material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,包括,标注原始点云,并对标注后的原始点云进行降采,获得预测点云;将预测点云输入至预分割网络,进行屋顶预分割,获得预分割点云;将原始点云与预分割点云对齐,获得还原点云;通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割,获得屋顶点云;将非屋顶点云与屋顶点云进行合并,获得建筑物点云,完成建筑物屋顶平面分割;本发明能够处理建筑整体点云,同时将人工语义标注工作从标注屋顶的各个平面简化到标注建筑屋顶部分,保证分割精度的同时,很大程度上减少整体运算时间。
Description
技术领域
本发明涉及屋顶平面分割的技术领域,尤其涉及一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法。
背景技术
随着建筑科学技术的发展,出现了许多新型的屋顶结构形式,更需要一个科学现代的管理手段和技术,管理、设计更加艺术,更加美感的建筑屋顶进行全生命周期的有效管理和设计,人们就开始引进人工智能中机器视觉技术,采用网络深度学习的技术对小面积车牌的智能方面的应用研究较成熟,但是到目前为止,其机器视觉技术例如采用激光雷达摄取装置获得的场景三维点云,网络深度学习的表现为过拟合和欠拟合,其网络正则和数据增强能力不强,其网络深度学习泛化能力严重不足,其实现技术***的鲁棒性欠佳,严重制约了例如大场景大面积建筑屋顶三维重建过程的实现。
三维点云的处理包括三维点云处理技术包括采样,滤波,配准,分割,重建,分类等部分。点云分割原理是依据点云区域的属性特征将点云数据分割成若干个互不相交的子集。点云分割是建筑物三维重建过程不可或缺的关键步骤,其中对屋顶的平面分割是其中一个尤为重要的步骤,特别在现代城市的发展建造了大量具有多面片、多层次的复杂结构建筑物,其点云分布散乱且存在噪声,对复杂的建筑物屋顶进行精细化分割是一个重要任务。
自从2015年,ResNet将ImageNet图像分类错误率降低到4%,低于人工识别的5%,深度学***面或将点云数据划分到有空间依赖关系的体素的其他算法,PointNet网络无需将数据处理成规则的3D体素形式进行处理,输入点云顺序对于网络的输出结果没有影响,同时也可以处理旋转平移后的点云数据。但是,仅利用深度学***面存在数据集准备工作量大,无法进行实例分割的问题。
随机采样一致性估计算法(RANSAC)可以从一组包含“局外点”的观测数据集中,通过迭代方式估计数学模型的参数。它是一种不确定的算法,它有一定的概率得出一个合理的结果;为了提高概率必须提高迭代次数,并且必须小心的选择算法的参数。具有分割精度高,速度快的特点,即使是处理大型点云场景时效率也较高。但是仅利用RANSAC算法进行平面分割同样存在实际问题,即分割完成后的平面缺少语义信息,特别在目前建筑物屋顶结构复杂且需要将各类屋顶进行精细分割时,仅利用RANSAC算法会增加大量后期添加语义标注的工作。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,能够解决传统方法在屋顶平面分割任务中,需要手动调参,无法区分平面类别导致的分割不精准,无法自动工作等必要问题。
为解决上述技术问题,本发明提供如下技术方案:包括,标注原始点云,并对标注后的原始点云进行降采,获得预测点云;将所述预测点云输入至预分割网络,进行屋顶预分割,获得预分割点云;将所述原始点云与所述预分割点云对齐,并添加语义信息,获得还原点云;通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割,获得屋顶点云;将非屋顶点云与所述屋顶点云进行合并,获得建筑物点云,完成建筑物屋顶平面分割。
作为本发明所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案,其中:标注所述原始点云包括,利用点云标注工具对原始点云分别标注为void和roof,并在标注效果中用白色表示void类别,用紫色表示roof类别。
作为本发明所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案,其中:所述降采包括,设置初始体素;迭代增加体素和随机删除标注后的原始点云的点,当点云数量小于目标点云数量的1.2倍时,停止迭代;获得6000×3点的预测点云。
作为本发明所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案,其中:所述预分割网络包括特征提取子网络和分割子网络;所述特征提取子网络由多个MLP层构成,从3维的原始点云中提取高维特征,其中,分别提取64维,两个128维,512维和2048维特征;通过MaxPool层提取全局特征提取,并通过两个MLP层将全局特征进行降维;利用所述分割子网络将特征提取子网络提取的多个局部特征和降维的全局特征进行融合,获得一个n×3008的特征网络;通过多个MLP层将特征网络的高维特征降维到64维,并通过激活函数为Sigmoid的MLP层对点云的每一个点做二分类预测,输出一个n×1的分割结果。
作为本发明所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案,其中:还包括,特征提取子网络最后一层MLP层的维度为n×1,输出的是一组0、1标签,0代表不是屋顶,即空白,1代表是屋顶;其中,n是指输入到预分割网络的点云个数。
作为本发明所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案,其中:还包括,训练预分割网络的损失函数loss′为:
作为本发明所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案,其中:其特征在于:还包括,将原始点云记作pc0,原始点云数量记为n,通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割,获得屋顶点云pc′,数量为n′,此时将原始点云更新为pc=pc0-pc′,点云数量更新为n=n-n′;若屋顶点云pc′的数量大于原始点云pc数量的5%,则继续通过RANSAC算法进行分割,否则结束分割。
作为本发明所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的一种优选方案,其中:所述添加语义信息包括,以预分割点云的每个点作为球心,并以预分割点云中两个点之间的距离的2倍为半径,建立球体;对球体内的所有点进行语义信息添加。
本发明的有益效果:本发明能够处理建筑整体点云,同时将人工语义标注工作从标注屋顶的各个平面简化到标注建筑屋顶部分,保证分割精度的同时,很大程度上减少整体运算时间。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的预分割网络结构示意图;
图2为本发明第一个实施例所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的屋顶平面分割流程示意图;
图3为本发明第二个实施例所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的点云图例示意图;
图4为本发明第二个实施例所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法的分割平面实际效果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图2,为本发明的第一个实施例,该实施例提供了一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,包括:
S1:标注原始点云,并对标注后的原始点云进行降采,获得预测点云。
(1)标注原始点云
原始点云由三维激光扫描仪获得的点云数据,分割前首先要进行标注工作,具体的,利用日立开发的开源点云标注工具Semantic-Segmentation-Editor对原始点云分别标注为void和roof,并在标注效果中用白色表示void类别,用紫色表示roof类别。
(2)降采
由于完成点云的标注后一般建筑物通过激光扫描获得的点云数量通常很大,其时常能突破107,导致PCL和点云的标注工具均无法使用,并对后续计算造成了不小的压力;为了解决以上问题,需将数量巨大的原始点云进行降采,本实施例利用体素滤波方法进行点云降采,具体过程如下:
①设置初始体素;
②迭代增加体素和随机删除标注后的原始点云的点,当点云数量小于目标点云数量的1.2倍时,停止迭代;
③获得6000×3点的预测点云。
S2:将预测点云输入至预分割网络,进行屋顶预分割,获得预分割点云。
(1)预分割网络包括特征提取子网络和分割子网络;由于过多或过少的点云数量都会导致预分割网络的效率降低,本实施例通过实验选择6000个点的标准进行训练和预测;为了解决二分类中正反类别不平衡,造成预分割网络趋于一个类别的问题,本发明对数据集做正反类别平衡的增强处理;为了平衡,正反类别数量控制3000±800个,总和为6000个,将正反类别的点拆分分别做处理。
(2)在进行分割前,需对预分割网络进行训练;训练中的损失函数与正则化关乎网络的最终训练效果,点云分割区别于其他的二分类模型,其输出是一个n×1个0到1数字的集合,传统的二分交叉熵只能计算一个结果的损失,其范围为0到+∞,二分交叉熵对此模型的结果是一个n×1的损失集合;如果只计算其均值,则类别数量较大的那一部分的损失将占主导,最终的结果会导致模型的输出趋向于那一类,造成模型对局部最优解过拟合;因此本实施例的损失函数loss′设计为损失的标准差加1的加权损失平均值:
关于网络正则,本实施例中预分割网络利用的是Dropout的正则化方式,其思路是,去除特征中的相互依赖性;当每一层都有被随机丢弃的特征单元,因此网络不会偏向于某一特征,能够有效避免过拟合的问题。
(3)屋顶预分割
①特征提取子网络由多个MLP层构成,从3维的原始点云中提取高维特征,其中,分别提取64维,两个128维,512维和2048维特征;特征提取子网络最后一层MLP层的维度为n×1,输出的是一组0、1标签,0代表不是屋顶,即空白,1代表是屋顶;其中,n是指输入到预分割网络的点云个数。
②通过MaxPool层提取全局特征提取,并通过两个MLP层将全局特征进行降维。
③利用分割子网络将特征提取子网络提取的多个局部特征和降维的全局特征进行融合,获得一个n×3008的特征网络。
④通过多个MLP层将特征网络的高维特征降维到64维,并通过激活函数为Sigmoid的MLP层对点云的每一个点做二分类预测,输出一个n×1的分割结果。
经过预分割网络可以将原始点云分割为屋顶和空白两类,而没有语义信息标注的空白部分则为建筑物的墙体部分,值得注意的是此时分割出来的是整个屋顶部分,并未将各类屋顶进行精细分割,因此需进行进一步分割。
S3:将原始点云与预分割点云对齐,并添加语义信息,获得还原点云。
为了使RANSAC算法得到最大的效率,需要将预分割点云还原到原始点云上,由于原始点云和预测结果的尺度大小是一致的,所以首先将原始点云和预测及结果对齐;
其次,预分割点云每一个点的周边点视作也带有这个点的语义信息,具体的,以预分割点云的每个点作为球心,并以预分割点云中两个点之间的距离的2倍为半径(由实验得出,球半径为最小点近距离的2倍能最大限度的标记语义信息,同时不会超出预测结果的语义信息范围),建立球体;对球体内的所有点进行语义信息添加。
S4:通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割,获得屋顶点云。
(1)将原始点云记作pc0,原始点云数量记为n,通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割,获得屋顶点云pc′,数量为n′,此时将原始点云更新为pc=pc0-pc′,点云数量更新为n=n-n′;
(2)若屋顶点云pc′的数量大于原始点云pc数量的5%,则继续通过RANSAC算法进行分割,否则结束分割。
其中,RANSAC算法流程如下:
(1)随机采样K个点;
(2)对该K个点拟合模型;
(3)计算其他点到该模型的距离,小于某个阈值视作局内点,***内点的个数;
(4)反复执行M次,选择局内点最多的模型作为最终的模型输出。
其中,M是可以求得的,公式如下
z=1-(1-pk)M
其中,p表示一个点是局内点的概率;k为求解模型需要最少的点的个数;z为采样成功率;
假设p=0.5,由于拟合的是平面,所以k=3,当z=0.99时,求得M=34.48,执行35次即可得到最优解。
算法的输入为还原点云,其结构为n×3;通过RANSAC算法快速拟合平面模型,如在平面ax+by+cz=d中,获得a、b、c、d四个参数,得到平面公式。
将平面上的点从输入点云中删去,继续拟合单平面;反复操作,直到剩余点云数量少于输入点云数量的5%。
较佳的是,本实施例将建筑整体点云中的屋顶部分作为RANSAC算法的输入,利用RANSAC分割平面的快速性,准确性将带有语义信息的屋顶进行精细分割。
S5:将非屋顶点云与屋顶点云进行合并,获得建筑物点云,完成建筑物屋顶平面分割。
得到的结果与非屋顶部分点云合并,得到最终的建筑物点云,获得屋顶多平面分割结果。
实施例2
对本方法中采用的技术效果加以验证说明,本实施例分别对三个测试样本进行实验,以科学论证的手段试验结果,以验证本方法所具有的真实效果。
测试样本分别是平面斜顶建筑,带起伏斜顶建筑,以及一个大型建筑点云,三个测试样本的点云图例如图3,三种测试样本实验结果情况统计如表1,实际分割效果如图4所示。
表1:测试样本实验结果。
由测试结果可见本方法的总体分割精确度达到88.2%,在实际建筑屋顶点云平均分割精度可达90%,机器视觉学习效率方面,相较PointNet模型提高50%;很大程度的提高现有机器视觉可视化视野图像真实度。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,其特征在于:包括,
标注原始点云,并对标注后的原始点云进行降采,获得预测点云;
将所述预测点云输入至预分割网络,进行屋顶预分割,获得预分割点云;
将所述原始点云与所述预分割点云对齐,并添加语义信息,获得还原点云;
通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割,获得屋顶点云;
将非屋顶点云与所述屋顶点云进行合并,获得建筑物点云,完成建筑物屋顶平面分割。
2.如权利要求1所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,其特征在于:标注所述原始点云包括,
利用点云标注工具对原始点云分别标注为void和roof,并在标注效果中用白色表示void类别,用紫色表示roof类别。
3.如权利要求2所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,其特征在于:所述降采包括,
设置初始体素;
迭代增加体素和随机删除标注后的原始点云的点,当点云数量小于目标点云数量的1.2倍时,停止迭代;
获得6000×3点的预测点云。
4.如权利要求1或2所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,其特征在于:所述预分割网络包括特征提取子网络和分割子网络;
所述特征提取子网络由多个MLP层构成,从3维的原始点云中提取高维特征,其中,分别提取64维,两个128维,512维和2048维特征;
通过MaxPool层提取全局特征提取,并通过两个MLP层将全局特征进行降维;
利用所述分割子网络将特征提取子网络提取的多个局部特征和降维的全局特征进行融合,获得一个n×3008的特征网络;
通过多个MLP层将特征网络的高维特征降维到64维,并通过激活函数为Sigmoid的MLP层对点云的每一个点做二分类预测,输出一个n×1的分割结果。
5.如权利要求4所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,其特征在于:还包括,
特征提取子网络最后一层MLP层的维度为n×1,输出的是一组0、1标签,0代表不是屋顶,即空白,1代表是屋顶;
其中,n是指输入到预分割网络的点云个数。
7.如权利要求5或6所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,其特征在于:还包括,
将原始点云记作pc0,原始点云数量记为n,通过RANSAC算法对还原点云中带有语义信息的屋顶部分进行分割,获得屋顶点云pc′,数量为n′,此时将原始点云更新为pc=pc0-pc′,点云数量更新为n=n-n′;
若屋顶点云pc′的数量大于原始点云pc数量的5%,则继续通过RANSAC算法进行分割,否则结束分割。
8.如权利要求1所述的基于PointNet与RANSAC算法的建筑物屋顶平面分割方法,其特征在于:所述添加语义信息包括,
以预分割点云的每个点作为球心,并以预分割点云中两个点之间的距离的2倍为半径,建立球体;
对球体内的所有点进行语义信息添加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219599.4A CN113989291A (zh) | 2021-10-20 | 2021-10-20 | 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219599.4A CN113989291A (zh) | 2021-10-20 | 2021-10-20 | 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989291A true CN113989291A (zh) | 2022-01-28 |
Family
ID=79739550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111219599.4A Pending CN113989291A (zh) | 2021-10-20 | 2021-10-20 | 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989291A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565772A (zh) * | 2022-02-14 | 2022-05-31 | 清华大学 | 集合特征提取方法、装置、电子设备及存储介质 |
CN115239951A (zh) * | 2022-06-08 | 2022-10-25 | 广东领慧建筑科技有限公司 | 一种基于点云数据处理的墙面分割识别方法及*** |
CN115393583A (zh) * | 2022-07-21 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
-
2021
- 2021-10-20 CN CN202111219599.4A patent/CN113989291A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565772A (zh) * | 2022-02-14 | 2022-05-31 | 清华大学 | 集合特征提取方法、装置、电子设备及存储介质 |
CN115239951A (zh) * | 2022-06-08 | 2022-10-25 | 广东领慧建筑科技有限公司 | 一种基于点云数据处理的墙面分割识别方法及*** |
CN115239951B (zh) * | 2022-06-08 | 2023-09-15 | 广东领慧数字空间科技有限公司 | 一种基于点云数据处理的墙面分割识别方法及*** |
CN115393583A (zh) * | 2022-07-21 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
CN115393583B (zh) * | 2022-07-21 | 2023-09-29 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989291A (zh) | 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 | |
CN104679818B (zh) | 一种视频关键帧提取方法及*** | |
CN105303195B (zh) | 一种词袋图像分类方法 | |
US20230206603A1 (en) | High-precision point cloud completion method based on deep learning and device thereof | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN111753189A (zh) | 一种少样本跨模态哈希检索共同表征学习方法 | |
CN110322453A (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
CN101271469A (zh) | 一种基于三维模型库下二维图像的识别和物体的重建方法 | |
CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及*** | |
CN110210431B (zh) | 一种基于点云语义标注和优化的点云分类方法 | |
CN110781829A (zh) | 一种轻量级深度学习的智慧营业厅人脸识别方法 | |
CN110472652B (zh) | 基于语义引导的少量样本分类方法 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN109993100A (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
CN108595558B (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
CN115619963B (zh) | 一种基于内容感知的城市建筑物实体建模方法 | |
CN110377659A (zh) | 一种智能图表推荐***及方法 | |
CN114330516A (zh) | 基于多图引导神经网络模型的小样本徽景图像分类 | |
CN114926469A (zh) | 语义分割模型训练方法、语义分割方法、存储介质及终端 | |
CN107832753B (zh) | 一种基于四值权重与多重分类的人脸特征提取方法 | |
CN110363299A (zh) | 面向露头岩层分层的空间案例推理方法 | |
CN114373099A (zh) | 一种基于稀疏图卷积的三维点云分类方法 | |
CN115713605A (zh) | 一种基于图像学习的商业类建筑群自动建模方法 | |
CN114358279A (zh) | 图像识别网络模型剪枝方法、装置、设备及存储介质 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220128 Assignee: SHANGHAI SILIANG ELECTRONIC TECHNOLOGY CO.,LTD. Assignor: Shanghai Electric Power University Contract record no.: X2024310000032 Denomination of invention: A Building Roof Plane Segmentation Method Based on PointNet and RANSAC Algorithms License type: Common License Record date: 20240327 |
|
EE01 | Entry into force of recordation of patent licensing contract |