Shannon采样点到Daubechies小波采样点的转换

:获得了带限信号在Daubechies小波基下一个特殊预滤波算法采样点的转换误差和系统误差上界较精确的定量估计且这个算法关于尺度不再是线性收敛 ,而以N阶小波的消失矩收敛。

基于改进NSGA-Ⅱ的纤维缠绕落纱点轨迹采样特征权重优化

针对基于空间特征曲线特征函数的纤维缠绕落纱点轨迹采样算法无法自动选择特征权重的问题,建立以特征权重为变量,以得到采样点线性插值生成曲线与原曲线的MAE,RMSE为目标函数的双目标优化模型。提出基于改进NSGA-Ⅱ算法的双目标优化求解方法以优化特征权重。实例验证表明,与传统NSGA-Ⅱ算法相比,改进NSGA-Ⅱ算法求得Pareto解集的MAE,RMSE平均下降了0.002和0.105,算法选取特征权重的MAE,RMSE比特征权重为(0.1,0.3)的MAE,RMSE分别降低了约12.9%和8.5%,比特征权重为(0.9,0.1)的MAE,RMSE分别降低了约20.6%和11.4%,有效地提高了落纱点轨迹采样的精度。

基于点代理增强和逐层上采样的猪体点云补全方法

采用逆向工程技术进行猪体的三维重建并测算,是低成本无接触式猪体型体况评估的一大解决方案,在比较单视角和多视角采集方法的优缺点后,本文提出基于深度学习的点云补全方法,将猪体局部点云恢复成一个完整的点云以实现猪体三维重建。该猪体点云补全方法基于点代理增强和逐层上采样,首先通过特征提取结合位置嵌入生成点代理,使用点代理增强Transformer进一步提高点代理的特征表示能力,再基于点代理通过逐层上采样由粗到细逐步恢复最终的高分辨率、细粒度和分布均匀的完整点云。本文对实际生产环境中采集的猪体点云进行补全,所提方法与目前主流的点云补全方法进行对比试验,在多个指标的评定上,本文提出的方法都取得了较好性能,尤其是在猪体点云缺失严重补全难度较大的情况下效果更为突出。试验证明该方法对猪体主干部位的补全具备应用价值,能够用于实现基于局部点云的猪体三维点云重建。

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.

DGOA:基于动态图和偏移注意力的点云上采样

由三维扫描设备直接得到的点云经常是稀疏、不均匀、有噪声的,因而点云上采样在点云重建、渲染等领域扮演了越来越关键的角色。为此提出了一种新的基于动态图和偏移注意力的点云上采样网络DGOA,主要包含局部特征提取(LFE)、全局特征提取(GFE)和坐标重建(CR)3个模块。LFE采用多层结构提取邻域信息,每层基于特征相似性构建动态图,可以在特征空间自适应的将点云分组,增大感受野,获得长距离的语义信息,更好的建模点云的局部几何形状。GFE采用基于拉普拉斯算子的偏移注意力使每个点都能获得点云的全局信息,使生成点云的细节与原始点云一致,减少噪声的影响。CR借鉴FoldingNet操作,避免生成点的聚集。此外,整个网络与输入点云中点的顺序无关,具有置换不变性。在多个数据集的定量与定性实验结果表明,该方法优于其他方法,并且具有良好的泛化性和稳定性。

基于下采样的自监督点云去噪方法

针对无噪点云采集困难且使用模拟噪声在合成数据集上训练泛化性能较低的问题,提出一种仅需含噪点云即可完成训练的自监督去噪方法,以实现在不同环境下的点云去噪.该方法首先通过设计并实现特殊的采样器,对带噪点云下采样,得到训练网络所需的配对点云;然后通过设计轻型多尺度去噪网络,解决网络训练中噪声的扰动问题.在多个数据集上的实验结果表明该方法有效,在不同场景下能获得与有监督训练相同的效果.

基于曲率特征的文物点云分类降采样与配准方法

三维重构是文物数字化的关键技术,其中三维点云配准精度是评估重构质量优劣的重要指标之一。实际采样中,文物点云细节信息繁多,传统降采样后易出现细节缺失从而影响配准精度。为了解决这一问题,本文提出了一种基于曲率特征的文物点云分类降采样与配准方法。首先,通过线性矩阵激光测量获取文物的三维点云数据。其次,计算所有点的曲率值,并设置曲率阈值进行点云分类,不同点集按照其特征属性进行不同权重的降采样,从而最大限度地保留点云的形态特征和细节信息。最后,通过求解刚性变换模型实现点云配准。点云配准前的降采样处理后点云数据降至原始点云的1/3,与传统的整体降采样ICP方法相比,平均距离从0.89 mm约降至0.59 mm,标准偏差从0.29 mm约降至0.18 mm。在降低点云数据的同时也保证了配准的精度,适用于不同类型的文物点云数据。

嵌入注意力机制的并行多尺度点云上采样方法

目前,基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取,导致输出的密集点云存在异常值过多、细粒度不高等问题。为解决上述问题,提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel Multi-scale with Attention mechanism for Point cloud Upsampling),网络由特征提取器、特征拓展器、坐标细化器和坐标重建器4个模块级联组成。首先给定一个N×3的稀疏点云作为输入,为了获得点云的全局和局部特征信息,设计了一个嵌入注意力机制的并行多尺度特征提取模块(PMA)用于将三维空间的点云映射到高维特征空间。其次使用边缘卷积特征拓展器拓展点云特征维度,得到高维点云特征,以更好地保留点云特征的边缘信息,将高维点云特征通过坐标重建器转换回三维空间中。最后使用坐标细化器精细调整输出点云细节。在合成数据集PU1K上的对比实验结果表明,PMA-PU生成的密集点云在倒角距离(CD)、豪斯多夫距离(HD)和点面距离(P2F)上都有显著提升,分别比性能次优的网络模型优化了7.863%,21.631%,14.686%。可视化结果证明了PMA-PU具有性能更好的特征提取器,能够生成细粒度更高、形状更接近真实值的密集点云。

融合Transformer与多阶段学习框架的点云上采样网络

借鉴Transformer在自然语言和计算机视觉领域强大的特征编码能力,同时受多阶段学习框架的启发,设计了一种融合Transformer与多阶段学习框架的点云上采样网络——MSPUiT。该网络采用二阶段网络模型,第一阶段是密集点生成网络,利用多层Transformer编码器逐步实现从输入点云的局部几何信息、局部特征信息到点云高级语义特征的转换,特征扩充模块在特征空间中,对点云特征上采样,坐标回归模块将点云从特征空间重新映射回欧氏空间中初步生成密集点云M′;第二阶段是逐点优化网络,使用Transformer编码器对密集点云M′中潜藏的语义特征进行编码,联合上一阶段语义特征得到点云完整的语义特征,特征精炼单元从M′的几何信息和语义特征中提取点的误差信息特征,误差回归模块从误差信息特征中计算得到欧氏空间中点的坐标偏移量,实现对点云M′的逐点优化,使得点云上点的分布更加均匀,并且更加贴近真实物体表面。在大型合成数据集PU1K上进行了大量实验,MSPUiT生成的高分辨率点云在倒角距离(CD)、豪斯多夫距离(HD)、生成点云到原始点云块的距离(P2F)上的指标分别降至0.501×10^(-3),5.958×10^(-3),1.756×10^(-3)。实验结果表明,MSPUiT上采样后的点云表面更加光滑,噪声点更少,生成的点云质量高于当前主流的点云上采样网络。

三维点云上采样方法研究综述

随着深度相机、激光雷达等三维扫描设备的普及,用点云表示三维数据的方法越来越流行,对点云数据的分析与处理也引起了计算机视觉研究领域的极大兴趣。其中,点云上采样任务是一项重要的点云数据处理工作,其结果的好坏关系着下游多种任务的优劣,因此一些研究人员从多个角度深入探索并先后提出了多种点云上采样方法,以期提高计算效率和网络性能,解决点云上采样中的各种难点问题。为了促进之后研究的发展,首先从任务类型角度对现有的点云上采样方法进行了全面的分类与综述,然后对这些点云上采样网络的性能进行了详细的分析与对比,最后针对现存的问题与面临的挑战做了进一步分析,并探索了未来可能的研究方向,希望为三维点云上采样任务未来更深入的研究提供新思路。

基于优化跳点搜索和车道采样的巡检机器人路径规划方法

为实现巡检机器人的快速全局路径规划,并精确跟随路径和实时避障,提出了一种基于优化跳点搜索和平行采样的巡检机器人路径规划方法。在全局规划中,通过滑动窗优化和共轭梯度法对传统的跳点搜索方法进行优化,平滑全局路径的中转角,消除因搜索方向约束而产生的非必要转弯。在局部规划中,采用了一种基于车道线采样的局部规划方法,以巡检路径为参考,平行于巡检路径采样生成局部路径簇,在局部规划中加入了有限状态机。为了使机器人精确跟随局部路径,采用了一种基于李雅普诺夫函数的路径跟随方法。最后,在机器人操作系统(robot operating system,ROS)中建立室外仿真环境,针对所提出的路径规划方法进行测试,验证了所规划方法的有效性和鲁棒性。

基于采样的点云几何编码框架

随着科学技术的快速发展,三维点云采集设备的精度不断提升,海量三维点云数据的获取成为可能。然而,三维点云数据点分布不规则、数量巨大等特性给存储和传输带来了巨大的挑战,点云编码势在必行。针对三维点云几何信息,文中从数据采样的角度出发,将三维点云编码问题转换为三维点云采样-重建问题,并提出基于采样的三维点云几何编码框架。该框架首先在编码端使用指定采样率的三维点云下采样方法,将原始三维点云下采样至指定点数的稀疏三维点云,然后采用任意现有的编码方法对稀疏三维点云进行编码(待编码点数大幅减少,可有效降低编码码率),最后使用三维点云上采样方法将解码端获得的稀疏三维点云插值重建成与原始输入点云外形近似的高质量稠密三维点云。实验结果表明,与MPEG提出的最新G-PCC三维点云编码标准相比,在相同码率下,文中提出的三维点云几何编码框架可以使解码端重建三维点云的客观质量平均提升5.49 dB,同时呈现出更好的主观视觉效果。

基于加权损失的点云占用图视频上采样

基于视频的点云压缩标准(Video-based Point Cloud Compression,V-PCC)中,3D点云会被分成数百个块并投影到2D平面中,形成记录点云纹理信息的纹理视频和记录点云空间信息的几何视频。同时,还需要生成一个占用图视频(Occupancy Map Video),以记录纹理视频和几何视频中每一个像素点是否对应重建点云中的某个点。因此,占用图视频质量与重建点云质量直接相关。为了节约编码比特数,占用图视频在编码端会先被下采样,然后在解码端通过简单的上采样恢复到原分辨率。文中的基本思路是引入深度学习来代替V-PCC中的简单上采样方法,使得上采样后的占用图视频质量更高,从而提高点云的重建质量。在网络训练阶段提出使用加权损失函数,使得在重建点云时能尽可能少地移除正常点并尽可能多地移除噪声点。实验结果证明,所提方法可以大幅提升V-PCC的主客观性能。

改进PU-GAN的点云上采样网络

针对点云分类问题,提出一种改进点云上采样网络,从低密度点云生成密集点云,提高点云分类准确率。针对点云上采样网络PU-GAN细节表示能力不足的问题,在生成器网络中引入Transformer模块,整合提取的特征信息;在特征扩张模块加入门控循环单元和分层上采样单元,重构细粒度特征;以PU-GAN数据集进行训练,构建闽南古建筑数据集作为测试。实验结果表明,改进后网络的上采样效果获得了提升,具有良好的鲁棒性。通过对ModelNet40数据集进行上采样,在PointNet上进行分类实验,验证了该网络对分类准确率的提升。

基于双支融合与结构采样的点云分类算法

目的:利用双支融合和结构采样,提取较充分的局部特征并保留不同尺度下的全局结构信息,使得在点云分类任务中获得高精度。方法:首先,提出双支融合模块,并用之提取不同角度的局部特征,再加入融合框架剔除重复的特征,突出显著特征,使得局部特征更具有辨别力。其次,设计了结构采样单元以关注不同尺度下的全局结构信息。该单元通过对每个采样点学习,以增强采样稳定性,并平滑结构信息,从而学习点云的全局结构信息。最后,利用包含局部-全局的特征进行分类,完成点云的分类任务。结果:在ModelNet40和ScanObjectNN基准数据集中分别获得93.6%和86.6%的分类精度。结论:基于双支融合与结构采样网络模型在点云分类任务中具有先进性。

点云上采样技术研究

点云上采样旨在将稀疏、嘈杂、不完整的点云转换为密集、干净、完整的点云,这样有利于提高下游任务的性能。当前的点云上采样方法主要分为基于优化和基于学习的方法,本文针对基于深度学习的点云上采样算法进行了综述。本文从点云上采样的开山之作PU-Net引入,阐述了上采样算法的发展,并总结了插值算法在点云上采样中的应用,然后对不同特征扩展方法进行了比较,介绍了上采样算法的评价指标和常用数据集,最后对点云上采样的发展前景进行了展望。

面向隧道工程测量的点云降采样方法

隧道工程中采集的三维激光点云数据包含大量冗余数据,点云降采样是解决该问题的关键环节。合适的降采样方法对于点云技术在隧道工程中应用推广具有重要的作用,然而目前主流降采样方法,包括随机法降采样、最远点降采样和体素化降采样在隧道点云降采样效果不明。针对隧道点云降采样过程中存在的问题,通过理论分析及仿真实验,以降采样结果、算法耗时以及点云特征为判断标准,明确了各采样方法优缺点,给出隧道工程的点云降采样建议,对于点云在隧道监测中的应用具有重要的实际价值。

竖炉煤气供给管网的压力多点采样技术提升

酒钢二选竖炉煤气管网压力多点采样连锁改造应用于二选的竖炉煤气安全连锁控制系统中,彻底解决了二选竖炉依赖酒钢动力厂五加压煤气管网压力远距离连锁控制的风险问题,实现了多点、多输入自动化连锁控制。该连锁控制采样改造的实施,提高了煤气管网压力控制的安全性和可靠性,更加全面地实现了二选竖炉智能化系统设备状态监测,在故障发现及修复方面起到了关键作用。

DIMMER检测中采样点数量和判断阀值的研究

旨在研究和探讨DIMMER检测中的采样点数量和判断阀值对检测结果的影响。DIMMER是一种常用于调光的设备,但其使用调制技术可能导致电力质量问题,因此,对DIMMER进行准确检测至关重要。首先介绍了DIMMER检测技术及相关工作,包括采样点数量和判断阀值的设置方法。随后,针对采样点数量,研究了不同采样点数量对检测精度的影响,并提出了优化方法。同时,研究了判断阀值的选择,并探讨了判断阀值与检测准确性间的关系。为验证研究结果的正确性,设计了一系列实验,采集了相关数据并进行了分析。结果表明,采样点数量和判断阀值对DIMMER检测结果具有显著影响。

南京市第三次全国土壤普查表层样点外业调查采样技术实施探讨

外业调查采样是土壤普查最基础的关键环节,是决定普查成果科学性、准确性的核心。本文从表层样外业调查采样技术实施角度,探讨了2023年南京市土壤普查工作推进、技术指导、监督检查中遇到的困难及问题,以期为土壤普查工作的顺利开展总结经验并提出改进建议。