3D UNeXt:轻量级快速脑提取网络

为了解决现有脑提取网络结构复杂、参数量大且推理速度不高的问题,受UNeXt启发,提出一种基于3D卷积、3D多层感知机(multilayer perception,MLP)和多尺度特征融合的轻量级快速脑提取网络3D UNeXt,极大地减少了参数和浮点运算量,取得了令人满意的结果。3D UNeXt以U-Net为基本架构,在编码阶段使用3D卷积模块获取局部特征;在瓶颈阶段通过3D MLP模块获取全局特征和特征之间的远程依赖;在解码阶段借助多尺度特征融合模块高效融合浅层特征和深层特征。特别地,3D MLP模块在三个不同特征轴向进行线性移位操作,以获取不同维度特征的全局感受野并建立它们之间的远程依赖。在IBSR、NFBS和HTU-BrainMask三个数据集上进行实验,以和先进网络进行对比。实验结果表明,3D UNeXt在网络参数、浮点运算量、推理精度和速度等方面显著优于现有模型。

一种基于残差MLP的多模态点云分类网络

针对PCT等先进点云算法存在模态单一、特征提取器复杂、参数量大、计算效率低等问题,提出一种精简快速的多模态点云分类网络Res-CLIP。将ResMLP-PC与CLIP结合,通过学习多模态信息提高主干网络性能和迁移学习能力,使用残差MLP提高算法效率;将仿射变换模块融入主干网络提高算法精度。排水管道缺陷数据集实验结果表明:与PCT等算法相比,ResMLP-PC算法的精确率、召回率均有提升,且参数量减少近50%,检测速度提升23%。Zero Shot实验结果表明:与现有多模态点云网络相比,Res-CLIP算法在2类公开数据集上的Zero Shot精度均较优,比ULIP相比分别提升4.6%、0.5%。

PCT和PointMLP融合的三维点云分类算法研究

为了提高三维点云数据的分类准确率,对注意力机制的PCT与残差点MLP的PointMLP的融合算法进行研究。首先,加入几何仿射模块对输入点云进行正态分布以解决点云的密度不均匀和几何结构不确定性;其次,在编码模块首先使用注意力机制对上层特征进行全局表达,之后加入残差点MLP模块对注意力模块的输出特征进行深度特征表示以充分提取点云特征;最后是分类模块,完成下游点云分类任务。实验结果表明,改进后的算法在ModelNet40数据集上的分类准确率达到95.6%,相比PCT模型准确率提高了2.4%,且对点云数量的变化具有鲁棒性。

基于MLP的绿色技术创新过程管理研究——以3D打印技术为例

多层次视角(Multi-level perspective,MLP)是将演化经济学与技术研究相结合分析新技术市场化问题的工具。基于MLP分析绿色技术创新过程阶段划分,运用社会网络分析法、模糊德尔菲法和模糊一致偏好关系对创新阶段进行识别。最后,以3D打印技术为例,验证基于MLP的绿色技术创新过程研究的科学性。结果表明:绿色技术创新过程可以划分为技术生态位、技术政体和社会技术地景3个阶段;技术政体可以分为技术政体的引入、构建和成熟3个时期。

一种基于MLP的高效高精度三维视线估计方法

随着卷积神经网络(CNN)在计算机视觉领域的广泛应用,以及大量三维视线数据集的公开,基于表观和深度学习相结合的三维视线估计研究受到越来越多的关注。由于CNN结构复杂,这类方法在实时性要求较高的应用场景中还有待进一步改进。近来兴起的研究表明,网络结构更为简单的多层感知机(MLP)模型能够取得与当前最佳CNN、Transformer模型相当的性能。受此启发,提出了一种基于MLP的高效高精度三维视线估计方法,利用MLP模型对双眼、人脸图像提取特征,之后融合推导出三维视线。实验结果表明,对MPIIFaceGaze数据集和EyeDiap数据集中包含的31位不同相貌的受试者,使用提出的方法UM-Net进行视线估计,视线估计精度比肩基于CNN的,并且在视线估计速度上具有明显优势,在实时性要求较高的领域也有较好的应用前景。

基于锥形追踪和网络分解的NeRF三维重建方法

在计算机视觉领域,神经辐射场(NeRF)是以空间坐标或者时间、相机位姿等其他维度作为输入,通过多层感知机(MLP)网络模拟目标函数,生成颜色、深度等目标标量的过程。NeRF的应用包括对三维场景进行高质量的重建,而其在处理不同分辨率的场景时会产生过度模糊或者伪影的渲染效果,且存在训练耗时较长的问题。为了解决上述问题,提出基于锥形追踪和网络分解的NeRF三维重建方法。使用锥形追踪的方法,为每个像素投射一个圆锥体,并将投射的圆锥体切割成一系列的圆锥台,沿着该圆锥体进行特征化,通过高效渲染抗锯齿的圆锥台来降低模糊或者伪影效果。为了缩短训练时间,使用网络分解的方法,将原始NeRF接收5维数据的神经网络分解为两个网络,有效地缩短训练时间。实验结果表明,在NeRF_Synthetic、LLFF和Multiresolution数据集中,相比于NeRF、F 2-NeRF等方法,所提方法的峰值信噪比(PSNR)提升了14.4%~24.6%,能够重建出更丰富的细节特征,视觉效果更好,且训练时间大幅降低。

三维残缺数据的神经网络修补方法

针对常用的三坐标测量设备在对物体表面采样时造成的局部区域数据残缺问题,提出了一种三维残缺数据的多层感知器神经网络修补方法。该方法首先用矩形框在残缺数据的边界附近获取样本点集,并以其最小二乘拟合平面为基础建立局部坐标系;然后,在此局部坐标系下,将训练后的MLP网络仿真曲面用于残缺区域数据点重采;最后,将重采点集经坐标反变换后去替代原始点云数据中的样本点集。仿真和真实残缺数据的修补实验结果表明,此方法具有较高的修补效率和精度,可获得满意的修补效果。

三维激光扫描曲面重构算法研究

围绕三维激光扫描曲面重构做了以下工作:(1)分析了三维激光扫描仪的工作原理;(2)研究了利用多层感知器神经网络用于曲面重构,提出了基于多层感知器网络的曲面重构算法(M LPSR)。为了有效评估算法的性能,通过CYRAX 2500实测数据并利用M ATLAB环境进行仿真实验,结果表明:这种算法具有较高的重构精度和较快的重构速度,尤其在曲面受到破坏或不完全时特别有效,是值得推广的曲面重构算法。