基于PointNet的三维点云部件分割的抗干扰研究

三维点云部件分割的训练预测模型是复杂多样的,影响分割结果的因素有很多。针对深度神经网路设置不同的参数对分割精度的影响,提出在经典点云网络模型PointNet上选择不同的激活函数与优化器进行抗干扰研究。首先将网络中数据采样数、学习率、批量大小等参数确定,其次修改激活函数与优化器参数并在ShapeNet数据集上进行实验对比。实验结果表明,在PointNet网络模型中选择ReLU激活函数与SGD优化器测试精确度达到88.39%。

面向部件分割的PointNet注意力加权特征聚合网络

为解决PointNet最大池化损失次要特征导致部件分割精度降低的问题,提出一种面向部件分割的PointNet注意力加权特征聚合网络,能够充分利用点云的不同特征进行部件分割。首先利用多层感知机提取点云的空间几何特征,将特征乘以共享权重矩阵,以获取每个点的每一个特征的注意力分数;接着把归一化的分数作为权重乘以对应的全局特征并求和,得到聚合的全局特征;最后使用多层感知机将聚合的特征映射到部件分割结果。实验结果表明,相比于传统PointNet方法,该方法提升了部件分割的总平均交并比,同时在网络鲁棒性和计算复杂度方面具有显著优势,有效优化了PointNet。

文字部件分割方法

残损古碑文样本少且语义多样,文字部件检测和分割是残损碑文从自身空间结构复原必不可少的环节。提出了对残损碑文部件进行检测和分割的方法。基于SOLOv2的改进模型,通过层级融合模块融合多层特征的语义信息和细粒度特征,提升特征表征能力;通过边界增强模块引入边缘先验融合预分割特征,增强掩码边界精度。结果表明,所提出模型的分割精度提升1.4%~16.2%,验证了该模型的有效性。

基于DeepLab的物体部件分割网络

针对现有部件分割精度较低、泛化性和精度无法兼顾等问题,文中提出基于DeepLab的物体部件分割网络(DeepLab-MAFE-DSC).网络的编码器部分提出多尺度自适应形态特征提取模块(MAFE),利用可形变卷积增强模型对不规则轮廓的处理能力,并采取先级联再并行相加的采样模式,兼顾全局和局部信息.解码器部分设计基于跳跃式架构的解码器模块(DSC),同时连接深层的语义信息和浅层的表征信息.在数据集上的实验表明,DeepLab-MAFE-DSC具有简单、分割精度较高、泛化性较强的优点.

结合部件分割和粒子滤波的3D人体运动跟踪

尽管随机采样降低了陷入局部极值的风险,但不能保证收敛到全局最优.为此提出了一个将人体部件分割算法嵌入到粒子滤波框架的人体运动跟踪系统.首先使用Condensation算法传播并评估粒子,然后利用基于期望最大化的部件分割算法迭代更新粒子.在迭代过程中,从采样粒子推导的姿态用于部件分割,分割结果用于确定粒子分布,使粒子逐渐接近高似然区域,从而提高找到全局最优的概率并降低采样粒子数.在HumanEva-II数据库上的测试结果表明了文中系统的有效性,且对比实验结果也优于Condensation算法和退火粒子滤波.

激光点云深度学习的输电杆塔部件分割研究

针对无人机电力巡检过程中对输电杆塔精细化巡检时,现有的杆塔部件点云提取精度不高,难以满足无人机自主巡检航线规划以及数字化信息管理等问题,该文使用基于点云数据的深度学习方法进行输电杆塔部件分割,并提出PCTTS模型,实现点云输电杆塔各部件的精准提取。首先,对原始输电走廊点云数据进行数据预处理,将数据质量较完整的杆塔作为样本;其次,对输电杆塔点云数据进行八叉树采样,抽稀点云的同时尽可能保留更多局部特征;最后,将样本输入深度学习模型,在保证平移、旋转不变性的同时,结合多尺度特征提取策略与Offset注意力机制,完成特征提取与传播,实现点云输电杆塔的部件分割。经实验验证,该文提出的方法在自建的部件分割数据集上mIOU达到94.1%,分割精度优于PointNet、PointNet++、DGCNN、Point Transformer、PointMLP等点云分割的方法。

航天器部件的精细分割和稳定跟踪

为了实现在轨服务过程中对于没有靶标的部件进行操作,需要精细地分割出相关部件,并对其在时序上进行稳定地跟踪。对于部件的精细分割,本文首先基于航天器部件实例分割数据集对实例分割网络Mask RCNN进行了训练,然后在其掩膜分割分支上添加一个优化模块对部件分割结果进行优化。对于部件跟踪,本文首先在Quit_trihard损失的基础上提出分层加权五元组损失,然后利用该损失在航天器部件重识别数据集上对有关重识别网络进行训练,最后将得到的重识别网路嵌入Deep OC SORT跟踪算法以实现对航天器部件的稳定跟踪。实验结果表明:经过掩膜优化后,在部件实例分割测试集上相关实例分割算法的分割精度可提升至84.90 mAP;使用改进后的损失进行部件重识别,在部件重识别测试集上的识别成功率提高至76.86%,同时相关跟踪算法在部件跟踪测试集上的跟踪成功率升至89.38%。因此,本文提出的方法基本可以满足航天器部件的精细分割和稳定跟踪。

基于部件拼接的高质量中文字库自动生成系统

针对中文字库制作开销过大的问题,提出一种基于部件拼接的高质量中文字库制作方法。参考汉字相关规则与信息,选取供用户书写的少量汉字集合,将书写的汉字分割至部件级别。根据汉字部件成字关系,拼接产生剩余汉字,最终生成完整GB2312标准(共包含6763个中文字符)的高质量中文字库。实验表明,所提出的字库制作系统实现了快速生成个性化中文字库的功能,在保证生成字库质量的前提下,显著降低了个性化中文字库的制作时间。

基于疯狂捕猎秃鹰算法的K均值互补迭代聚类优化

在处理庞大复杂的点云数据时,传统聚类方法精度低、耗时长并且受离群点影响大,针对以上问题,提出基于疯狂捕猎的柯西反向秃鹰搜索算法(QO-BESCH)的K均值互补迭代聚类优化方法.所提算法构建基于体元包围盒的初始聚类中心选择模型,提升初始化聚类中心质量;提出疯狂捕猎机制,同时融合动态自适应控制算子和柯西反向策略,提升秃鹰搜索算法(BES)的寻优能力,增加寻找聚类中心的成功率;利用QO-BESCH优化K均值聚类(KMC),在减小迭代次数的同时增加搜索效率,得到较好的聚类结果.利用UCI标准数据集对所提算法进行测试,并与8种聚类算法进行对比,实验结果证明了所提算法的优越性.将本研究算法结合PCL点云库应用于ModelNet40点云数据集聚类,结果表明,所提算法可以实现有效聚类,适用性较强.

序列ISAR像复杂结构航天器在轨姿态估计

针对“中国空间站”等复杂结构航天器在轨姿态估计误差精度优化的问题,提出了一种基于多线性结构特征优化选择的姿态估计方法。首先采用奇异值分解方法获取ISAR等效成像平面的空间位置,然后通过Unet3+神经网络分割出航天器的典型部件,进而获取各部件的线性结构,最后建立优化函数求解航天器在轨姿态角。仿真和实测实验结果表明,相比现有方法,所提方法能够实现结构特征的自动提取并有效减少姿态估计误差。

基于深度学习的三维点云分割综述

作为三维场景理解的重要技术之一,三维点云分割受到广泛的关注,具有重要的研究价值和广阔的应用前景.基于此,梳理基于深度学习的三维点云分割技术的最新研究进展;在介绍三维点云分割常用的8个室内和室外数据集的基础上,重点阐述和分析现有主要基于深度学习的语义分割、实例分割和部件分割方法,并基于量化数据进行部分方法的效能比较;最后从10个方面总结现有方法的不足,并针对性地提出工作展望.

基于特征通道和空间位置注意力的三维点云特征学习网络

点云模型的分类与部件分割是三维点云数据处理的基本任务,其核心在于获取可以有效表示三维模型的点云特征。提出一个引入注意力机制的三维点云特征学习网络。该网络采用多层次点云特征提取方法,首先使用特征通道注意力模块获取各通道间的关联,增强关键通道信息;接着引入空间位置注意力机制,基于点的空间位置信息获取各点的注意力权重;然后结合以上2种注意力机制获取增强的点云特征;最后基于该特征继续进行多层次特征提取,获得面向下游任务的点云特征。分别在ModelNet40和ShapeNet数据集上进行形状分类与部件分割实验,结果表明,使用所提方法可以实现高精度、具有鲁棒性的三维点云形状分类与分割。

一种基于单样本的半监督行人重识别方法研究

近年来,监督学习的行人重识别是利用深度学习知识检索特定行人的人工智能技术,由于有监督的行人重识别需要标注数据集中所有样本,耗费了大量的人力物力,不利于行人重识别在实际场景中的应用,因此无监督行人重识别、半监督行人重识别应运而生。针对单样本的半监督行人重识别任务,即每个身份的行人仅标注一个样本,且是不同摄像头下选取的样本。由于行人姿态变化且标签样本数量较少,因此,提取有区分力的特征具有较高的难度。为了解决上述问题,首先将部件分割约束应用到单样本的行人重识别任务;其次设计了多分支网络,包括全局分支和两个局部分支用来提取水平切块的特征和实施部件分割约束,对全局特征进行补充;最后设计损失函数融合,训练过程中通过减小融合后的损失,不断学习有区分力的特征,优化模型。

铁水称重用隔热轨道衡及其铺设方法

针对冶金高温热熔产生的热辐射(烘烤)对轨道衡造成损坏的情况,该系统采用传统的隔热耐热和设置分割部件软连接等相结合的方法,防止铁水溅落进入秤台周围的缝隙中,或在热辐射(烘烤)及少量泄漏情况下,不会造成秤体损坏,达到系统整体结构稳定、耐高温的目的,该系统确保了称重计量系统的可靠、准确、稳定运行。

融合稀疏编码与深度学习的草图特征表示

针对小数据集下单纯使用深度学习方法的草图特征提取可分辨性低下的问题,提出一种融合稀疏编码和深度学习的草图特征表示方法.该算法首先对草图进行语义分割;然后迁移深度学习方法,分别提取草图特征和草图部件特征,之后将部件特征降维聚类,获取聚类中心;最后利用部件聚类中心向量初始化稀疏编码中的字典,交替迭代求取获得最终的草图特征.不同于以往的草图特征表示方法,将迁移深度学习获得的草图部件特征引入到稀疏编码中,作为字典的初始基向量,将语义信息融入到稀疏编码,在提升草图特征表示性能的同时,使得稀疏表示具有更好的可解释性.实验结果显示,所提方法下的草图识别率高于采用传统非深度学习和深度学习方法提取的草图特征的草图识别率.