结合局部增强与反向残差的点云语义分割网络.pdf
《结合局部增强与反向残差的点云语义分割网络.pdf》由会员分享,可在线阅读,更多相关《结合局部增强与反向残差的点云语义分割网络.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期 激 光 与 红 外 ,年 月 ,文章编号:()图像与信号处理结合局部增强与反向残差的点云语义分割网络温智成,王蕾,冯锦梁,叶森辉(东华理工大学信息工程学院,江西 南昌 )摘要:激光点云是 传感器的输出,且对它的语义分割任务是理解真实世界的基础。基于图卷积的点云分割网络在许多场景下都展现了优异的性能。然而,现有的图卷积方法存在部分问题:点云局部表示的能力未得到加强,忽略了全局几何信息,并且聚合操作只保留局部最大响应值信息,而次最大值信息丢失。为了处理这些问题,本文提出 网络。利用局部几何加强(,)模块,使网络对 轴具有旋转不变性,以便加强点云局部信息表示;采用全局几何特征(,)模
2、块,计算局部与全局的球体体积比,将其与坐标特征 进行连接,使全局几何信息特征得以保留;通过多个对称聚合操作将局部信息多方面地保留;网络中每层都使用残差操作,将上一层信息传递到下一层,以及利用反向残差模块(,)挖掘更深层次的语义信息。本文在 数据集上进行语义场景分割实验,验证网络分割的性能。实验结果表明该方法在分割精度上达到 ,相比于基准网络 提高 ,有效地提高了模型性能。关键词:点云语义分割;动态图卷积;局部几何加强;全局几何特征;反向残差中图分类号:;文献标识码:基金项目:江西省核地学数据科学与系统工程技术研究中心基金项目();江西省放射性地学大数据技术工程实验室开放基金项目()资助。作者简
3、介:温智成(),男,硕士研究生,主要从事三维点云分割方面的研究。:通讯作者:王蕾(),女,博士,副教授,硕士生导师,主要从事计算机视觉方面的研究。:收稿日期:;修订日期:,(,):,:,(),(),(),:;引言随着 传感器的快速发展,激光点云的获取越来越便利。利用激光点云感知真实世界,在家庭智能机器人、自动驾驶与 等领域发挥着重要的作用。然而,点云与图像不同,图像为规则化的数据,而点云为非结构化且无序的数据,这使得基于网格的卷积神经网络()难以应用。在最近几年,许多基于深度学习的方法被提出用于处理这一问题。这些方法大致可以分为 类:基于投影化的方法、基于体素化的方法和基于点的方法。然而,基于
4、投影的方法 会导致大量的信息丢失,基于体素化的方法 会消耗大量的计算资源,而基于点的方法 ,无需对点云数据进行预处理操作,从而不会存在信息的丢失以及计算成本开销大的问题。但是在基于点的方法中,基于图卷积的方法 对上下文特征有很强的信息挖掘能力。它们根据点特征之间的相似性将点构造为图数据,并将二维卷积应用到激光点云上,其比基于逐点的方法取得了更高的精度。然而,该方法对点云局部表示能力未进行加强以及忽略了全局几何信息,并且使用最大池化操作聚合局部信息,导致仅保留了局部内的最大响应值信息。针对上述问题,本文提出 网络,由 ()(如图 所示)模块完成对点云局部的加强与全局几何信息的保留,模块包含了 (
5、)与 ()模块。模块利用局部点与质心间的相对球坐标,使网络对点云的 轴有旋转不变性,从而加强点云局部表示;模块获取点云局部与全局的体积比,将其与点云坐标特征相连接,以保留全局几何信息;通过多个聚合操作以保留除最大响应值以外的特征信息;添加反向残差模块,挖掘更深层次的特征信息。本文贡献如下:使用 模块加强点云局部的特征表示;利用 模块保留全局几何信息;多个聚合操作将局部最大响应值与其他信息保留;通过反向残差模块挖掘更深层次的语义信息;网络在 数据集上的结果,超越了多个基线。为批量大小,为点数,为点的 等特征通道大小,为点的坐标特征通道大小,为邻近点数,为输出通道大小图 模块 基于深度学习的点云语
6、义分割网络虽然深度学习在 与图像领域取得了重大的进展,但是在激光点云领域还未得到很好的探索。本文将回顾此前的研究,分别为基于投影的方法、基于体素的方法、基于点的方法与基于图的方法。基于投影与体素的方法。这两种方法需将点云转换为规则化的数据,对其进行卷积操作。前后两者分别将点云转换为图像与体素。提取每个视图的特征,并利用最大池化将它们聚合到全局描述符中。将每个视图提取到的视觉描述子进行建模分组。将点云转换为体素,利用三维卷积提取特征。采用不平衡的八叉树将空间分区,以减少空体素的数量,提高内存与计算效率。基于点的方法。是第一个将深度学习用于点云处理的网络,其提出以逐点的方式应用 ,随后利用最大池化
7、聚合全局特征,但是未对点激 光 与 红 外 第 卷云局部信息进行挖掘。采用 的结构,关注点云局部的特征信息。利用核函数对局部每个点计算权重矩阵。通过自注意力机制从不同的局部区域学习信息。在全局上利用自注意力机制使每个点之间都相互关注彼此信息。基于图的方法。将点作为图的节点,并根据点之间的特征关系建立边。在特征空间上获取每个点相邻点,通过 与聚合操作进行预测。提出了可变形核,通过在多个尺度上进行聚合以提高模型性能。为不同的图节点分配不同的权重。综上所述,直接对点云进行操作解决了需对点云进行预处理的问题。然而,在上述基于图的方法中,点云局部表示的能力未得到加强,忽略了全局几何信息,以及聚合操作仅保
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 结合 局部 增强 反向 语义 分割 网络
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。