结合伪标签生成与噪声标签学习的弱监督点云分割

针对当前基于深度学习的点云分割技术对点级别标注训练数据的依赖问题,提出一种基于伪标签生成与噪声标签学习的弱监督点云分割框架.首先,利用点云具有非局部相似性的特点,基于局部-非局部图对点云数据进行建模;其次,基于关系图卷积网络,以半监督的方式为稀疏标注的点云训练集数据生成高质量的伪标签;最后,针对生成的伪标签中存在噪声标签的问题,设计一种利用含噪声标签数据准确训练现有点云分割网络的渐进式噪声鲁棒损失函数.在ShapeNet Part与S3DIS等公开点云分割数据集上的实验结果表明,该框架在推理阶段不增加模型额外运算量的情况下,当使用10%的标签时,在ShapeNet Part数据集上的分割精度与全监督方法相差0.1%;当使用1%的标签时,在S3DIS数据集上的分割精度与全监督方法相差5.2%.

基于反馈Hough变换的管道点云检测和识别

管道是流程工厂的主体,其几何形状表现为圆柱体或圆台。针对现有管道检测识别方法对噪声较为敏感、检测精度不高、检测结果难以验证等问题,本文提出一种具有轴向反馈修正的三维霍夫变换方法。首先,根据八叉树划分点云空间,计算点云法向量并生成圆柱体或圆台高斯映射图,利用三维霍夫变换法估计初始轴向;然后,基于初始轴向计算圆柱体横截面或圆台投影轮廓,并建立轴向优化目标函数,通过迭代优化获得最终的轴向;最后通过霍夫变换法拟合圆柱体或圆台轴心位置并计算半径值。实验结果表明,该方法可有效提高管道轴向、半径等参数的估算准确度,同时,本文提出的优化目标函数也为检测结果提供了一种新的评价方法。