公开(公告)号：CN116229057B

公开(公告)日：2023-10-27

申请号：CN202211659267.2

申请日：2022-12-22

Applicant: 之江实验室

Inventor： 陈红阳 ,  何嘉华 ,  李朝

IPC: G06V10/26 ,  G06V10/20 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于深度学习的三维激光雷达点云语义分割的方法，包括：轻量级深度全卷积神经网络构建；激光雷达原始点云预处理；三维空间特征转换为二维空间特征；训练轻量级深度全卷积神经网络；二维点云语义分割；二维语义标签后处理优化；三维语义标签恢复。本发明还包括一种基于深度学习的三维激光雷达点云语义分割装置。本发明使用了极坐标系变换的方式实现特征降维，利用基于深度学习的轻量级全卷积神经网络CSPRangeNet跨阶段特征融合的特点，不仅保证了分割结果的精确性，还降低了空间消耗，减少了网络特征提取阶段的运算量，大幅提升了分割速率。本发明适用于对实时性要求较高的三维激光雷达点云语义分割。

公开(公告)号：CN116229057A

公开(公告)日：2023-06-06

申请号：CN202211659267.2

申请日：2022-12-22

Applicant: 之江实验室

Inventor： 陈红阳 ,  何嘉华 ,  李朝

IPC: G06V10/26 ,  G06V10/20 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于深度学习的三维激光雷达点云语义分割的方法，包括：轻量级深度全卷积神经网络构建；激光雷达原始点云预处理；三维空间特征转换为二维空间特征；训练轻量级深度全卷积神经网络；二维点云语义分割；二维语义标签后处理优化；三维语义标签恢复。本发明还包括一种基于深度学习的三维激光雷达点云语义分割装置。本发明使用了极坐标系变换的方式实现特征降维，利用基于深度学习的轻量级全卷积神经网络CSPRangeNet跨阶段特征融合的特点，不仅保证了分割结果的精确性，还降低了空间消耗，减少了网络特征提取阶段的运算量，大幅提升了分割速率。本发明适用于对实时性要求较高的三维激光雷达点云语义分割。

公开(公告)号：CN115018073A

公开(公告)日：2022-09-06

申请号：CN202210947851.1

申请日：2022-08-09

Applicant: 之江实验室

Inventor： 陈红阳 ,  胡炳洋 ,  亓庆国 ,  李朝

IPC: G06N3/08 ,  G06N3/04 ,  G06Q10/04

Abstract: 本发明公开了一种基于图神经网络的时空感知信息预测方法和系统，包括以下步骤：步骤S1：构建感知数据监测网络，并通过所述感知数据监测网络中的数据采集节点获取原始感知数据；步骤S2：对所述原始感知数据进行预处理并转化为时空图感知数据；步骤S3：构建图神经网络模型，并利用所述时空图感知数据对所述图神经网络模型的参数进行训练；步骤S4：对训练好的图神经网络模型输入给定时空图感知数据并输出预测值，当预测值超出预设阈值，则发送预警信息。本发明将原始感知数据转化成时空图感知数据，使用图神经网络模型对感知数据中时间空间特征进行充分挖掘时空特征信息，提高对未来发生事物的时空特征信息进行预测的准确性。