基于方向编码与空洞采样的室内点云物体分割

针对现有方法在处理局部特征时忽略方向信息,且由于卷积核大小的限制无法有效地提取点云邻域特征等问题,提出一种点云分割方法.首先结合方向编码和空洞采样最大程度扩大网络的局部感受野.其次利用图卷积神经网络挖掘局部邻域内点的信息.然后使用邻域特征提取层自动加权融合邻域特征为更具有代表性的单个特征点.最后结合空间注意力机制,增加远程点之间的联系.在S3DIS数据集上进行物体分割实验的结果表明,所提方法的OA和mIoU比PointWeb高1.3个百分点和4.0个百分点,比基线方法 RandLA-Net高0.6个百分点和0.7个百分点,使用空洞采样与方向编码能够有效地提高点云的语义分割精度.

基于空洞卷积下采样单元的轻量化害虫图像识别模型

近年来,随着深度学习技术在计算机视觉领域的广泛应用,害虫图像识别成为农业领域中一项重要任务。为了解决害虫图像识别中传统深度学习模型对计算资源和存储空间需求过高的问题,本研究提出一种基于空洞卷积下采样单元的轻量化害虫图像识别模型。该模型采用轻量化网络架构,并引入空洞卷积和下采样技术来减小计算量和存储空间。首先,采用MobileNet v2网络来替代VGG16网络,以解决主干特征提取网络参数量过大的问题;其次,设计空洞卷积下采样单元对特征图进行降采样,从而实现模型的多尺度识别;最后,引入空洞卷积更好地捕获不同尺度的感受野。试验结果表明,本研究模型对害虫的识别准确率比VGG16模型提高了1.47%;相较于现有深度学习模型,该模型在减小50%参数量的同时,依然能够保持较高的识别准确率和实时性能。期待本研究模型可以对农业领域中害虫的监测与预警等提供一定的实际应用价值。