【技术实现步骤摘要】
基于点云局部结构的语义分割改进算法
本专利技术涉及多媒体信号处理领域，特别是涉及基于点云局部结构的语义分割改进算法。
技术介绍
所谓点云，就是由一组离散的点表示的地图。最基本的点包含XYZ三维坐标，也可以带有RGB的彩色信息。点云本身只是一些没有逻辑相互独立的点，可以有成百上千个，具有稀疏性和无序性。当人们看到一簇点云，根据多年来的生活经验，加以鉴别，便可以识别出点云所代表的物体。然而，对于计算机而言，这并非易事。点云对象分类、语义分割应用便应运而生，希望通过深度学习，训练模型可以有效的识别点云所代表的物体。众所周知，点云在分类或分割时存在空间关系不规则的特点，因此不能直接将已有的图像分类分割框架套用到点云上，也因此在点云领域产生了许多基于将点云体素化(格网化)的深度学习框架，取得了很好的效果。但是将点云体素化势必会改变点云数据的原始特征，造成不必要的数据损失，并且额外增加了工作量，而点网络(PointNetwork,PointNet)采用了原始点云的输入方式，最大限度地保留了点云的空间特征，并在最终的测试中取得了很好的效果。因此本专利技术在做语义分割任务时，选择...
【技术保护点】
1.基于点云局部结构的语义分割改进算法，其特征在于，所述的检测方法具体步骤如下：(1)学习局部几何结构：在内核关联网络网络的前端，从基于内核相关性的点云注册中获取灵感，并将点的本地邻域视为源，并将一组可学习的点即内核，作为表征某些类型的参考局部几何结构/形状，通过允许参考通过向后传播自由调整其形状，即核点位置来修改原始核相关计算；(2)学习局部特征结构：KCNet仅在网络前端执行内核关联以提取局部几何结构，为了计算KC，为了有效地存储点的本地邻域，通过将每个点视为顶点来构建K最近邻图，边缘仅连接附近的点；(3)融合ORB‑SLAM2系统：ORB‑SLAM2是在单目ORB‑S...
【技术特征摘要】
1.基于点云局部结构的语义分割改进算法，其特征在于，所述的检测方法具体步骤如下：(1)学习局部几何结构：在内核关联网络网络的前端，从基于内核相关性的点云注册中获取灵感，并将点的本地邻域视为源，并将一组可学习的点即内核，作为表征某些类型的参考局部几何结构/形状，通过允许参考通过向后传播自由调整其形状，即核点位置来修改原始核相关计算；(2)学习局部特征结构：KCNet仅在网络前端执行内核关联以提取局部几何结构，为了计算KC，为了有效地存储点的本地邻域，通过将每个点视为顶点来构建K最近邻图，边缘仅连接附近的点；(3)融合ORB-SLAM2系统：ORB-SLAM2是在单目ORB-SLAM的基础上提出的改进系统，它是首个基于单目、双目和RGB-D相机的开源SLAM方案，这个方案包括，回环检测，地图重用和重定位，基于RGB-D相机，该系统可以构建稀疏的点云地图。2.根据权利要求1所述的基于点云局部结构的语义分割改进算法，其特征在于：所述步骤(1)中学习局部几何结构具体如下：在KCNet网络的前端，从基于内核相关性的点云注册中获取灵感，并将点的本地邻域视为源，并将一组可学习的点即内核，作为表征某些类型的参考局部几何结构/形状，通过允许参考通过向后传播自由调整其形状，即核点位置，来修改原始核相关计算，通过这种方式，一组可学习的内核点类似于卷积核，它仅激活到其关节相邻区域中的点，并捕获以该核函数及其内核宽度为特征的该感知域内的局部几何结构。3.根据权利要求1所述的基于点云局部结构的语义分割改进算法，其特征在于：所述步骤(2)中学习局部特征结构具体如下：KCNet仅在网络前端执行KC以提取局部几何结构，为了计算KC，为了有效地存储点的本地邻域，通过将每个点视为顶点来构建KNNG，边缘仅连接附近的点，受卷积网局部聚合特征并通过多个池层逐渐增加接收场的能力的启发，算法使用递归特征传播和沿着KC的相同3D邻域图的边缘聚合，以利用当地特征结构顶层，该算法的主要观点是邻居点往往具有相似...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。