CN113989340A - 一种基于分布的点云配准方法 - Google Patents
一种基于分布的点云配准方法 Download PDFInfo
- Publication number
- CN113989340A CN113989340A CN202111277493.XA CN202111277493A CN113989340A CN 113989340 A CN113989340 A CN 113989340A CN 202111277493 A CN202111277493 A CN 202111277493A CN 113989340 A CN113989340 A CN 113989340A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- attention
- point
- registration
- distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于分布的点云配准方法,主要由点云特征提取模块、注意力重叠部分识别模块、点云分布式配准模块构成,用于存在部分重叠的点云配准任务中。其中点云特征提取模块使用RRI算法提取点云旋转不变描述子;注意力识别模块由GNN网络、多头自注意力模块、多头交叉注意力模块构成。学***移矩阵。本发明可以应用于基于三维点云的定位与重建任务中。
Description
技术领域
本发明涉及三维图像处理、点云配准、注意力机制和机器学习领域,特别是涉及一种应用于点云配准任务的网络架构,主要优化了当配准的源点云与目标点云只存在部分重叠的配准任务。
背景技术
三维图像是立体描述三维空间的一种形式,有别于二维图像,三维图像通常的数据形式有多视角图像、体素、三维网格以及三维点云。其中三维点云是将三维空间用一个一个点来表示,通常点信息包括空间的x,y,z坐标,以及颜色RGB信息来表示,可以完整的描述三维场景,是一种简单且灵活的三维图像数据形式。正因为这样,三维点云被广泛应用于三维重建,无人驾驶等广泛任务中。
在三维重建和无人驾驶等任务中,点云配准任务是其中的一项基础任务,三维重建和无人驾驶中的建图,就是将传感器获得的三维点云数据,经过数据处理,点云的配准,重新还原三维空间。其中点云配准任务可以描述为:存在部分重叠的源点云A与目标点云B,由于二者坐标系不统一,需要经过点云配准,求得二者的位姿变化矩阵T(4*4)。使得源点云A与位姿变化矩阵T得到转换到目标点云的坐标系下,从而能够将源点云与目标点云进行合并。其中位姿变换矩阵T由一个3*3的旋转矩阵和一个1*3的平移矩阵构成。
传统的点云配准任务,可以分为两大类:一种是基于优化的点对点的配准方法,通常的技术路线为选择源点云与目标点云的关键点,对于源点云中的所有关键点,在目标点云中找到其相对应的点,然后使用优化算法,得出最优的源点云与目标点云所匹配的旋转矩阵T,比较具有代表性的方法是迭代最近点算法(Iterative Closest Point,ICP);另一种算法是基于优化两点云分布的配准方法,通常的技术路线是将目标点云划分为多个voxel,并计算每一个voxel的概率密度分布(probability density function,PDF),通过优化位姿变化矩阵T,使得源点云与目标点云的每一个voxel的概率密度分布最优,此时的位姿变化矩阵T,就是所要求的配准结果,比较具有代表性的方法是正态分布变换NDT(Normal Distribution Transform)。尽管这两种方法都取得了不错的配准效果,但是在复杂的实际应用场景下都存在不同的问题。首先基于优化的点对点的配准方法的缺点是:容易受到噪声点(杂点)和误匹配点的影响,并且很依赖初始信息,易陷入局部的最优。而基于优化两点云分布的配准方法,由于考虑的是全局信息,虽然对于噪声更加鲁棒,但是对于低重叠度的点云配准会失效。
近些年,随着深度学习的出现,点云的特征的能力得到了进一步的提升。点云相关的诸多任务,如点云分类,分割,目标检测等任务都得到了大幅度的提升与进步,与此同时,点云配准任务也逐渐有了更多的更优秀的方法来弥补传统方法的缺陷。
如基于Transform的DCP的深度学习的点云配准方法,是对基于优化的点对点的配准方法的一次改进,通过Transform网络对于序列化输入的优秀处理能力,提升点云的特征提取能力,从而优化点云配准任务;又如基于EM算法的DeepGMR,通过点云的分割模型思想,使用计算出点云的潜在GMM分布,是对基于优化两点云分布的配准方法的一次改进,使得点云配准不仅关注与局部信息,更加关注全局信息,更加具备鲁棒性,但是由于其特性,对于具有部分重叠的配准任务会失败。
发明内容
本发明的目的是用以解决源点云与目标点云存在部分重叠的点云配准任务。由于在实际场景下,源点云与目标点云一定是存在部分重叠的,而目前的现有的研究都是基于源点云与目标点云完全一致,只是坐标系不同的理想化情况。对于存在部分重叠的点云配准场景,现有方法均存在不足。故而研究存在部分重叠的点云配准任务是极具现实意义的,识别重叠部分点云不仅可以提升配准精度,并且能够避免误匹配问题。本发明旨在解决这一问题,以提高点云配准的精度与鲁棒性。
本发明提供一种基于分布的点云配准方法,该方法主要由点云特征提取网络、基于注意力机制的重叠点云识别网络、以及GMM分布参数估计模块构成。点云特征提取网络由MLP和EdgeConv构成,可以有效地学习点云中每个点的几何特征和全局特征,从而更好地掌握输入点云的几何信息。基于注意力机制的重叠点云识别网络由自注意力层(Self-Attention)、GCN以及交叉注意力层(Cross-Attention)构成,通过交互信息,有效识别重叠部分点云,帮助更好进行配准。GMM分布参数估计模块由一个MLP网络和一个池化层构成,学习到点云的混合高斯分布参数,从而通过EM算法计算出源点云与目标点云的配准结果:位姿变化矩阵T。
本发明的目的是通过以下技术方案实现的:
一种基于分布的点云配准方法,包括点云特征提取网络、基于注意力机制的重叠点云识别网络、以及GMM分布参数估计模块;点云特征提取网络由MLP和EdgeConv构成;基于注意力机制的重叠点云识别网络由自注意力层、GCN以及交叉注意力层(Cross-Attention)构成;GMM分布参数估计模块由一个MLP网络和一个池化层构成;具体包括以下步骤:
(1)点云特征提取网络中:
步骤101,输入源点云A与目标点云B,通过EdgeConv,聚合周围点信息,进行初步的点局部特征学习;
步骤102,使用MLP全连接层,进行点云的特征提取与维度扩充;
(2)基于注意力机制的重叠点云识别网络中:
步骤201,输入经过特征提取后的源点云A与目标点云B,分别经过自注意力层,进一步叠加融合特征;
步骤202,源点云A特征与目标点云B特征,同时进入交叉注意力层,用以信息交互,识别重叠部分点云;输出交互后的点云特征,与识别到的重叠部分点云的预测标签;
步骤203,交互后的点云特征,通过自注意力层进一步融合提取后的特征;
步骤204,识别到的重叠部分的点云,经过GCN层,聚合周围点信息,得到源点云A,与目标点云B的重叠部分点云的特征;
(3)点云的混合高斯分布参数网络中:
步骤301,识别到的源点云A与目标点云B的重叠部分,经过最大池化层,聚合为全局特征;
步骤302,全局特征重叠扩充,与局部特征结合到一起,经过一个Decoder的MLP层,下采样为一个N*J的矩阵,其中N为点数,J为若干个混合高斯分布的分布个数;
步骤303,根据N*J的矩阵,计算点云混合高斯分布分布参数θ;
步骤304,根据源点云A的混合高斯分布参数与目标点云B的混合高斯分布参数,通过EM算法中的最大期望优化计算出位姿矩阵T。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1.本发明基于上述提出的DeepGMR进行优化,使得网络能够关注于重叠部分的点云,用于配准,从而优化配准的结果。表1展示我们的模型框架与其他算法的对比结果,对比传统的ICP算法,基于深度学***移误差上均优于其他模型和算法。
表1实验结果对比
方法 | MAE(R) | MAE(t) | RMSE(R) | RMSE(t) | Recall |
ICP | 23.6261 | 0.2520 | 20.1767 | 0.2891 | 64.89% |
IDAM | 19.3249 | 0.2074 | 14.9264 | 0.1314 | 27.67% |
DeepGMR | 35.0746 | 0.3415 | 29.8919 | 0.2917 | 16.24% |
Ours | 6.3759 | 0.0927 | 4.8348 | 0.1137 | 77.23% |
2.本发明中使用基于点云分布优化的配准方法,通过识别点云的分布模型,优化另一点云匹配于当前点云的分布模型,得到二者的位姿匹配结果。其优点在于,避免了基于点对应的点云配准方法中的误匹配问题,以及其容易陷入局部最优的问题。
3.本发明提取使用自注意力层与交叉注意力的交互,来融合源点云与目标点云特征,以此来选取重叠部分点云,提升点云配准结果。其中自注意力层与交叉注意力层,均使用Transformer架构实现,通过多头注意力机制,更好的进行特征交互。
4.实验结果表明,本发明提出的基于注意力的点云重叠部分识别方法与分布的点云配准方法都具有明显的提升效果。
附图说明
图1是本发明的网络总体结构的示意图。
图2a和图2b是本发明自注意力层与交叉注意力层的结构示意图。
图3是混合高斯分布参数估计的结构示意图。
图4是本文架构的实验测试可视化结果图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于分布的点云配准方法,见图1,该方法主要由点云特征提取网络、基于注意力机制的重叠点云识别网络、以及GMM分布参数估计模块(见图3)构成。点云特征提取网络由MLP和EdgeConv构成,可以有效地学习点云中每个点的几何特征和全局特征,从而更好地掌握输入点云的几何信息。基于注意力机制的重叠点云识别网络由自注意力层(Self-Attention)、GCN以及交叉注意力层(Cross-Attention)构成,通过交互信息,有效识别重叠部分点云,帮助更好进行配准。GMM分布参数估计模块由一个MLP网络和一个池化层构成,学习到点云的混合高斯分布参数,从而通过EM算法计算出源点云与目标点云的配准结果:位姿变化矩阵T。
其中点云特征提取网络核心技术方案为:
(101)输入原始的三维点云坐标信息进行特征提取,使用三层共享权重的MLP,进行初步点的特征提取,并在其中,添加图卷积模块EdgeConv,识别周围的K个点,进行特征聚合,用以点的局部特征提取,扩充点特征信息。
基于注意力机制的重叠点云识别网络核心技术方案为:
(201)自注意力层由一个多头自注意力模块构成,模型的流程具体见图2a,输入点云特征,经过三个一维的卷积层Wq,Wk,Wv,得到三个特征分别为Fq,Fk,Fv。其中Fq与Fv经过特征矩阵乘,得到其自注意力图A,A可以理解为特征之间的相似程度矩阵。之后,使用A与Fv矩阵乘,更新特征,此时得到的新的特征,具备了自己的更多的细节信息。
(202)GCN主要的是通过聚合周围的K个点的信息来对识别更多的几何特征信息。其主要的作用是在自注意力层后,进行特征信息的传递。
(203)交叉注意力层同样由一个多头注意力模块构成,模型的流程具体见图2b。与自注意力不同的是。交叉注意力的Fq,是由点云A的特征经过一维的卷积Wq得来的,而Fk,Fv是由点云B的特征经过一维卷积Wk,Wv得来的。其意义在于,通过点云A的询问特征Fq与点云B的键特征Fk,矩阵乘,得到点云A与点云B的特征相似矩阵,以通过特征相似矩阵与点云B的值特征Fv矩阵乘,来更新点云B的特征,使得点云B的特征能够带有A特征的性质,用以识别重叠部分的点云。
(204)其中,需要注意的是,在计算矩阵乘时,使用到多头的计算方法,其特性为:通过对Wq,Wk,Wv原始特征进行分组,分组后的特征进行矩阵乘。意义在于通过这样的方式,使得特征在不同的特征进行融合,更不容易进行过拟合。
(205)重叠部分点云的分数,由经过自注意力层与交叉注意力层的点云A和点云B的特征经过降维得到,通过一层的Relu激活函数计算得出。当其分数大于0.5则为重叠点云。这里使用到一个基于交叉熵的二分类损失对网络进行训练。
GMM分布参数估计模块核心技术方案为:
(301)首先这是一个基于分布的点云配准方法,主体的思想如下:对于两个点云,计算出A点云的点特征混合高斯分布,旋转另一个点云B,优化这个位姿变化矩阵T,使得B的混合高斯分布与A一致,此时这个位姿变化矩阵T,即为所要求的点云配准结果,如下式所示:其中θ为点云的GMM分布参数。
(302)主要的实现思路为,计算出的点云特征,与经过Max Pooling后的点云全局特征,进行结合,并经过共享权重的三层MLP,得到一个N*J的矩阵,其意义为N个点与GMM中J个分布的隐式关系。通过隐式关系,可以由以下公式计算出点云的GMM分布参数θ=(π,μ,ω):
(303)得到两个点云的GMM分布参数后,可以以点云A为源点云,以B为目标点云,使用一次最大期望算法,优化计算出A到B的位姿变化矩阵Tab,相似的,可以到A到B的位姿变化矩阵Tba,由于位姿旋转矩阵符合李代数的矩阵正定性。设置Loss函数如下,对网络进行训练,其中Tgt为真实的位姿变化矩阵:
图4是通过本发明方法得到的实验测试可视化结果图,其中为四组实验结果,即在clean数据集,加入高斯噪声的noise数据集,在不可见类的unseen数据集,以及在部分重叠点云的partical数据集中的测试结果显示,第一行为输入的源点云A和目标点云B,第二行为输出的配准结果。
综上,本发明方法中基于分布的点云配准方法,在解决分布的存在部分冲得的点云配准问题中都具有较好的效果,可以应用于三维点云的定位与重建任务中。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (1)
1.一种基于分布的点云配准方法,其特征在于,包括点云特征提取网络、基于注意力机制的重叠点云识别网络、以及估计点云的混合高斯分布参数网络;点云特征提取网络由MLP和EdgeConv构成;基于注意力机制的重叠点云识别网络由自注意力层、GCN以及交叉注意力层构成;点云的混合高斯分布参数网络由一个MLP网络和一个池化层构成;具体包括以下步骤:
(1)点云特征提取网络中:
步骤101,输入源点云A与目标点云B,通过EdgeConv,聚合周围点信息,进行初步的点局部特征学习;
步骤102,使用MLP全连接层,进行点云的特征提取与维度扩充;
(2)基于注意力机制的重叠点云识别网络中:
步骤201,输入经过特征提取后的源点云A与目标点云B,分别经过自注意力层,进一步叠加融合特征;
步骤202,源点云A特征与目标点云B特征,同时进入交叉注意力层,用以信息交互,识别重叠部分点云;输出交互后的点云特征,与识别到的重叠部分点云的预测标签;
步骤203,交互后的点云特征,通过自注意力层进一步融合提取后的特征;
步骤204,识别到的重叠部分的点云,经过GCN层,聚合周围点信息,得到源点云A,与目标点云B的重叠部分点云的特征;
(3)点云的混合高斯分布参数网络中:
步骤301,识别到的源点云A与目标点云B的重叠部分,经过最大池化层,聚合为全局特征;
步骤302,全局特征重叠扩充,与局部特征结合到一起,经过一个Decoder的MLP层,下采样为一个N*J的矩阵,其中N为点数,J为若干个混合高斯分布的分布个数;
步骤303,根据N*J的矩阵,计算点云混合高斯分布分布参数θ;
步骤304,根据源点云A的混合高斯分布参数与目标点云B的混合高斯分布参数,通过EM算法中的最大期望优化计算出位姿矩阵T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277493.XA CN113989340A (zh) | 2021-10-29 | 2021-10-29 | 一种基于分布的点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277493.XA CN113989340A (zh) | 2021-10-29 | 2021-10-29 | 一种基于分布的点云配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989340A true CN113989340A (zh) | 2022-01-28 |
Family
ID=79744900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111277493.XA Pending CN113989340A (zh) | 2021-10-29 | 2021-10-29 | 一种基于分布的点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989340A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549608A (zh) * | 2022-04-22 | 2022-05-27 | 季华实验室 | 点云融合方法、装置、电子设备及存储介质 |
CN115063459A (zh) * | 2022-08-09 | 2022-09-16 | 苏州立创致恒电子科技有限公司 | 点云配准方法及装置、全景点云融合方法及*** |
CN115272433A (zh) * | 2022-09-23 | 2022-11-01 | 武汉图科智能科技有限公司 | 用于无人机自动避障的轻量点云配准方法及*** |
CN117036891A (zh) * | 2023-08-22 | 2023-11-10 | 睿尔曼智能科技(北京)有限公司 | 一种基于跨模态特征融合的图像识别方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325089A1 (en) * | 2018-04-18 | 2019-10-24 | Reconstruct Inc. | Computation of point clouds and joint display of point clouds and building information models with project schedules for monitoring construction progress, productivity, and risk for delays |
CN112801945A (zh) * | 2021-01-11 | 2021-05-14 | 西北大学 | 基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
US20210192271A1 (en) * | 2019-12-23 | 2021-06-24 | Beijing Institute Of Technology | Method and Apparatus for Pose Planar Constraining on the Basis of Planar Feature Extraction |
CN113538535A (zh) * | 2021-07-15 | 2021-10-22 | 电子科技大学 | 一种基于双分支特征交互的3d点云配准网络模型及配准方法 |
-
2021
- 2021-10-29 CN CN202111277493.XA patent/CN113989340A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325089A1 (en) * | 2018-04-18 | 2019-10-24 | Reconstruct Inc. | Computation of point clouds and joint display of point clouds and building information models with project schedules for monitoring construction progress, productivity, and risk for delays |
US20210192271A1 (en) * | 2019-12-23 | 2021-06-24 | Beijing Institute Of Technology | Method and Apparatus for Pose Planar Constraining on the Basis of Planar Feature Extraction |
CN112801945A (zh) * | 2021-01-11 | 2021-05-14 | 西北大学 | 基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
CN113538535A (zh) * | 2021-07-15 | 2021-10-22 | 电子科技大学 | 一种基于双分支特征交互的3d点云配准网络模型及配准方法 |
Non-Patent Citations (1)
Title |
---|
何淇淇等: "基于变分贝叶斯层次概率模型的非刚性点集配准", 《计算机学报》, 15 September 2021 (2021-09-15) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549608A (zh) * | 2022-04-22 | 2022-05-27 | 季华实验室 | 点云融合方法、装置、电子设备及存储介质 |
CN115063459A (zh) * | 2022-08-09 | 2022-09-16 | 苏州立创致恒电子科技有限公司 | 点云配准方法及装置、全景点云融合方法及*** |
CN115063459B (zh) * | 2022-08-09 | 2022-11-04 | 苏州立创致恒电子科技有限公司 | 点云配准方法及装置、全景点云融合方法及*** |
CN115272433A (zh) * | 2022-09-23 | 2022-11-01 | 武汉图科智能科技有限公司 | 用于无人机自动避障的轻量点云配准方法及*** |
CN115272433B (zh) * | 2022-09-23 | 2022-12-09 | 武汉图科智能科技有限公司 | 用于无人机自动避障的轻量点云配准方法及*** |
CN117036891A (zh) * | 2023-08-22 | 2023-11-10 | 睿尔曼智能科技(北京)有限公司 | 一种基于跨模态特征融合的图像识别方法及*** |
CN117036891B (zh) * | 2023-08-22 | 2024-03-29 | 睿尔曼智能科技(北京)有限公司 | 一种基于跨模态特征融合的图像识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489358B (zh) | 一种基于深度学习的三维点云语义分割方法 | |
CN113989340A (zh) | 一种基于分布的点云配准方法 | |
CN112488210A (zh) | 一种基于图卷积神经网络的三维点云自动分类方法 | |
CN111583263A (zh) | 一种基于联合动态图卷积的点云分割方法 | |
JP7439153B2 (ja) | 全方位場所認識のためのリフトされたセマンティックグラフ埋め込み | |
Chen et al. | RGAM: A novel network architecture for 3D point cloud semantic segmentation in indoor scenes | |
CN110263855B (zh) | 一种利用共基胶囊投影进行图像分类的方法 | |
Khellal et al. | Pedestrian classification and detection in far infrared images | |
CN116310098A (zh) | 一种基于注意力机制与可变卷积深度网络的多视图三维重建方法 | |
CN110634142B (zh) | 一种复杂车路图像边界优化方法 | |
CN113822232B (zh) | 一种基于金字塔注意力的场景识别方法、训练方法及装置 | |
Wu et al. | Sc-wls: Towards interpretable feed-forward camera re-localization | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
Li et al. | Graph attention neural networks for point cloud recognition | |
CN111291651B (zh) | 用于遥感场景分类的多任务神经网络框架及分类方法 | |
CN117011380A (zh) | 一种目标物体的6d位姿估计方法 | |
Hao et al. | Research on image semantic segmentation based on FCN-VGG and pyramid pooling module | |
Li et al. | Few-shot meta-learning on point cloud for semantic segmentation | |
CN115131245A (zh) | 一种基于注意力机制的点云补全方法 | |
Sun et al. | Fusion representation learning for keypoint detection and description | |
Huang et al. | ImGeo-VoteNet: image and geometry co-supported VoteNet for RGB-D object detection | |
Li et al. | Efficient and accurate object detection for 3D point clouds in intelligent visual internet of things | |
Abouqora et al. | A hybrid CNN-CRF inference models for 3D mesh segmentation | |
Li et al. | Primitive fitting using deep boundary aware geometric segmentation | |
Liu et al. | Enhancing Point Features with Spatial Information for Point‐Based 3D Object Detection |
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 |