-
公开(公告)号：CN112085123B
公开(公告)日：2022-04-12
申请号：CN202011020289.5
申请日：2020-09-25
申请人： 北方民族大学
IPC分类号： G06V10/764 , G06V10/774 , G06K9/62 , G06V10/46 , G06V10/26 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于显著点采样的点云数据分类和分割方法，提出基于显著点采样的点云数据分类和分割网络，两个网络主干部分由新的显著点采样算法(SPS)和多尺度局部显著特征提取网络(MS‑LSFE)构成，SPS和MS‑LSFE都可以灵活地插入到其它网络中，以辅助采样或特征提取。为了方便调用，本方法将SPS和MS‑LSFE进行封装，形成多尺度显著特征提取模块(MS‑SFE)，实现了性能和参数量的平衡。本发明在标准公开数据集ModelNet40上进行分类试验，确保参数数量只有0.3×106的同时分类精度达到92.42％；在标准公开数据集ShapeNet、S3DIS和Semantic3D上进行分割实验，分别可以达到85.1％、61.8％、65.8％的分割精度。上述分类分割结果在同类工作中处于领先或相当的水平，验证了本方法可行性和有效性。
-
公开(公告)号：CN112085123A
公开(公告)日：2020-12-15
申请号：CN202011020289.5
申请日：2020-09-25
申请人： 北方民族大学
摘要： 本发明公开了一种基于显著点采样的点云数据分类和分割方法，提出基于显著点采样的点云数据分类和分割网络，两个网络主干部分由新的显著点采样算法(SPS)和多尺度局部显著特征提取网络(MS‑LSFE)构成，SPS和MS‑LSFE都可以灵活地插入到其它网络中，以辅助采样或特征提取。为了方便调用，本方法将SPS和MS‑LSFE进行封装，形成多尺度显著特征提取模块(MS‑SFE)，实现了性能和参数量的平衡。本发明在标准公开数据集ModelNet40上进行分类试验，确保参数数量只有0.3×106的同时分类精度达到92.42％；在标准公开数据集ShapeNet、S3DIS和Semantic3D上进行分割实验，分别可以达到85.1％、61.8％、65.8％的分割精度。上述分类分割结果在同类工作中处于领先或相当的水平，验证了本方法可行性和有效性。
-
公开(公告)号：CN110197223A
公开(公告)日：2019-09-03
申请号：CN201910454307.1
申请日：2019-05-29
申请人： 北方民族大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于深度学习的点云数据分类方法，该方法提出一种多尺度点云分类网络，首先，基于局部区域划分的完备性、自适应性、重叠性及多尺度特性要求，提出了多尺度局部区域划分算法，并以点云及不同层次的特征为输入，得到多尺度局部区域。然后构建了包含单尺度特征提取、低层次特征聚合及多尺度特征融合等模块的多尺度点云分类网络。该网络充分模拟了卷积神经网络的作用原理，具备随着网络尺度和深度的增加，局部感受野越来越大，特征抽象程度越来越高的基本特征。本发明在标准公开数据集ModelNet10和ModelNet40上，分别取得了94。71％和91。73％的分类准确率，在同类工作中处于领先或相当的水平，验证了本方法的可行性及有效性。
-
公开(公告)号：CN110197223B
公开(公告)日：2021-02-09
申请号：CN201910454307.1
申请日：2019-05-29
申请人： 北方民族大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于深度学习的点云数据分类方法，该方法提出一种多尺度点云分类网络，首先，基于局部区域划分的完备性、自适应性、重叠性及多尺度特性要求，提出了多尺度局部区域划分算法，并以点云及不同层次的特征为输入，得到多尺度局部区域。然后构建了包含单尺度特征提取、低层次特征聚合及多尺度特征融合等模块的多尺度点云分类网络。该网络充分模拟了卷积神经网络的作用原理，具备随着网络尺度和深度的增加，局部感受野越来越大，特征抽象程度越来越高的基本特征。本发明在标准公开数据集ModelNet10和ModelNet40上，分别取得了94。71％和91。73％的分类准确率，在同类工作中处于领先或相当的水平，验证了本方法的可行性及有效性。
-
-
-
搜索结果
4 条记录 (耗时 0.021 秒)
