-
公开(公告)号：CN113902779A
公开(公告)日：2022-01-07
申请号：CN202111141554.X
申请日：2021-09-28
Applicant: 燕山大学
Abstract: 本发明提供一种基于张量投票方法的点云配准方法，属于机器视觉目标姿态识别领域，包括以下步骤：获取目标物体的两组点云数据；对两组点云数据滤除噪声；将预处理之后的两组点云数据进行张量编码；将编码后的两组点云数据进行张量投票；投票完成后对张量矩阵进行SVD分解；将两组点云处理得到的特征值做比对，创建相似度函数∆，取∆值最小的一组点作为张量配准的结果；计算两组点云特征矩阵的数学关系，得到旋转矩阵和平移向量。本发明解决现有研究方法中的效率低、耗时长、误差大的问题。
-
公开(公告)号：CN113449612B
公开(公告)日：2022-06-07
申请号：CN202110662372.0
申请日：2021-06-15
Applicant: 燕山大学
Abstract: 本发明公开了一种基于子流型稀疏卷积的三维目标点云识别的方法，包括如下步骤：S1获取目标场景的初始点云；S2获取目标点云局部特征；S3将子流型卷积网络的输出作为两个相同的MLP网络的输入；S4将第一个MLP网络输出到交叉熵损失函数；S5将第二个MLP网络输出到两个基于注意力机制的图卷积神经网络，最后输出到平方误差损失函数；另外将第二个MLP网络不经图卷积神经网络直接输出到平方误差损失函数；S6选用交叉熵损失函数和平方误差损失函数之和作为网络模型总损失函数，根据总损失函数值的大小，进行网络模型的反向训练，本发明加快网络训练速度，提高识别正确率，改善占用内存空间大的缺陷，实现快速高效的三维目标识别。
-
公开(公告)号：CN115496859A
公开(公告)日：2022-12-20
申请号：CN202211212144.4
申请日：2022-09-30
Applicant: 燕山大学
Abstract: 本发明公开了基于散乱点云交叉注意学习的三维场景运动趋势估计方法，涉及深度学习和三维点云场景理解领域，以三维场景的运动趋势估计为目标，该网络模型在利用卷积神经网络提取前后帧点云特征的基础上，通过构建关联特征提取模块，捕捉前后帧点云间的联合信息，以提升点云特征刻画的丰富度；通过构建三维场景运动趋势的校准模块，在初步得到点云运动趋势后进行微调，进一步提高三维场景运动趋势估计的精度和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN114092650A
公开(公告)日：2022-02-25
申请号：CN202111436500.6
申请日：2021-11-30
Applicant: 燕山大学
Abstract: 本发明公开了一种基于高效图卷积的三维点云生成方法，涉及深度学习和三维点云数据增强技术领域，以三维点云生成为目标，使用的网络模型在全连接层的基础上加入了图卷积模型，以提升生成器网络的点云特征学习能力，并使用特征融合的思想优化了整体网络结构，通过共享KNN的计算结果减少了冗余计算，调整了特征聚合与MLP的顺序改进了图卷积结构，在减小计算复杂度的同时提升了网络的特征学习能力。
-
公开(公告)号：CN113902779B
公开(公告)日：2024-05-28
申请号：CN202111141554.X
申请日：2021-09-28
Applicant: 燕山大学
Abstract: 本发明提供一种基于张量投票方法的点云配准方法，属于机器视觉目标姿态识别领域，包括以下步骤：获取目标物体的两组点云数据；对两组点云数据滤除噪声；将预处理之后的两组点云数据进行张量编码；将编码后的两组点云数据进行张量投票；投票完成后对张量矩阵进行SVD分解；将两组点云处理得到的特征值做比对，创建相似度函数∆，取∆值最小的一组点作为张量配准的结果；计算两组点云特征矩阵的数学关系，得到旋转矩阵和平移向量。本发明解决现有研究方法中的效率低、耗时长、误差大的问题。
-
公开(公告)号：CN114092650B
公开(公告)日：2024-05-28
申请号：CN202111436500.6
申请日：2021-11-30
Applicant: 燕山大学
IPC: G06T17/00 , G06N3/0464 , G06N3/084 , G06F18/2413
Abstract: 本发明公开了一种基于高效图卷积的三维点云生成方法，涉及深度学习和三维点云数据增强技术领域，以三维点云生成为目标，使用的网络模型在全连接层的基础上加入了图卷积模型，以提升生成器网络的点云特征学习能力，并使用特征融合的思想优化了整体网络结构，通过共享KNN的计算结果减少了冗余计算，调整了特征聚合与MLP的顺序改进了图卷积结构，在减小计算复杂度的同时提升了网络的特征学习能力。
-
公开(公告)号：CN115661809A
公开(公告)日：2023-01-31
申请号：CN202211191540.3
申请日：2022-09-28
Applicant: 燕山大学
IPC: G06V20/64 , G06V10/82 , G06V10/40 , G06V10/762 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于散乱点云谱投票学习的三维空间物体检测方法，包括如下步骤：步骤S1、通过激光雷达扫描获取散乱点云数据；步骤S2、将步骤S1中获取的点云数据作为谱投票网络的输入，其中谱投票网络包括谱图卷积模块、下采样模块和投票模块；步骤S3、点云数据输入谱投票网络后通过谱图卷积模块进行特征提取；步骤S4、经过谱图卷积模块提取得到的特征作为下采样模块的输入；步骤S5、将下采样模块的输出作为投票模块的输入；步骤S6、通过抽样分组对谱投票网络的输出进行聚类；步骤S7、将投票聚类作为目标生成模块的输入，生成目标提案；步骤S8、对目标提案进行非极大抑制处理，得到三维物体检测结果。
-
公开(公告)号：CN113449612A
公开(公告)日：2021-09-28
申请号：CN202110662372.0
申请日：2021-06-15
Applicant: 燕山大学
Abstract: 本发明公开了一种基于子流型稀疏卷积的三维目标点云识别的方法，包括如下步骤：S1获取目标场景的初始点云；S2获取目标点云局部特征；S3将子流型卷积网络的输出作为两个相同的MLP网络的输入；S4将第一个MLP网络输出到交叉熵损失函数；S5将第二个MLP网络输出到两个基于注意力机制的图卷积神经网络，最后输出到平方误差损失函数；另外将第二个MLP网络不经图卷积神经网络直接输出到平方误差损失函数；S6选用交叉熵损失函数和平方误差损失函数之和作为网络模型总损失函数，根据总损失函数值的大小，进行网络模型的反向训练，本发明加快网络训练速度，提高识别正确率，改善占用内存空间大的缺陷，实现快速高效的三维目标识别。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
