基于深度学习的室内点云语义分割研究进展

点云是一种被广泛使用的三维数据,而语义分割作为三维场景理解的关键技术,人们对其的需求也越来越广泛。近三年来,点云语义分割技术的发展迅速,为了展示基于深度学习的室内场景三维点云语义分割方面的进展,着重整理了其近三年最新的研究动向。首先介绍了点云语义分割常用的数据集以及评价指标,接着对近三年的各种点云语义分割方法进行分类,并从间接、直接处理点云的角度,按照不同类别分析总结了各种方法的框架结构以及其创新点,在S3DIS、ScanNet等几种最常使用的室内数据集上对各种算法的mIou等评价指标进行了对比展示。最后,根据现有的点云的语义分割技术的研究现状和存在的问题进行了总结以及展望。

基于深度可分离卷积的异常驱动视频异常检测

视频异常检测已成为当前研究的热点问题,具有深刻的实际应用价值。针对视频异常检测中3D卷积计算复杂度高、难以训练以及使用重构方法进行检测时仅利用正常数据容易导致过拟合的问题,提出一种新型的深度可分离卷积异常驱动网络。首先,通过手工特征提取的方式抽取跳跃帧,并将其作为伪异常样本进行辅助训练;其次,设计深度可分离卷积网络,降低3D卷积的计算参数量;最后,通过最小化正常数据的重构误差和最大化异常数据的方式让网络学习以区分异常数据和正常数据。实验结果表明,该模型在各大公开数据集上均表现出具有竞争力的性能,其中在UCSDped1、UCSDped2、Avenue和UMN数据集上的准确率分别达91.3%、99.2%、87.4%和98.6%。此外,该模型对异常检测具有较强的灵敏度,且具有较强的泛化能力和鲁棒性。