System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习点云上采样领域,尤其是涉及一种拓扑结构保持的深度学习点云上采样方法及装置。
技术介绍
1、点云是3d场景的最基本和最常见的表达方式,在3d重建、自动驾驶和地质、建筑的勘测等领域均有广泛的应用。然而,由于硬件和计算的限制,3d传感器经常产生稀疏和嘈杂的点云,对于小物体或远离传感器的物体,这种现象更为明显。这限制了在点云上开展的后续工作和任务。点云上采样是在保留点云的几何、拓扑、形态等特征的前提下,把稀疏的、不完整的和有噪声的点云转换成密集的、完整的和干净的点云,能够提高点云的分辨率,已经成为点云这一研究方向中的热点问题之一。
2、传统的点云上采样算法是基于优化的,它们通常适合局部几何形状,并且对于具有较少特征的光滑表面工作良好。然而,它们要求各种关于形状的先验信息用于约束点云生成,因此实用性较差。基于深度神经网络的方法可以有效地从数据中学习到点云的特征和结构,且对数据的先验要求不高,显著提升了点云上采样的实用性。第一个点云上采样网络pu-net通过特征空间中的多分支卷积单元隐式地扩展点集,但未考虑到邻域信息。在不同的细节级别上端到端地逐步训练级联的基于点云片的上采样网络mpu通过一系列架构改进,包括用于逐点特征提取的新型密集连接、用于特征扩展的代码分配以及用于层间特征传播的双边特征插值,实现了超大倍率的点云上采样,但其复制点的特征向量,导致点集的特征重复,使得生成的点聚集在输入点周围。基于生成对抗网络的点云上采样网络pu-gan在生成器中构造了一个上-下-上扩展单元,用于对具有误差反馈和自校正的点
3、为提高上采样点云的形态保真度,本专利技术通过搜索位于边缘、轮廓以及稀疏位置的点并改进这些点的特征聚合以修正点云的特征,减少了上采样点云的模糊、不清晰的边界;此外,通过更精确地构建点云图结构以及配置图信息感知的信息聚合网络,使模型能够更深刻地学习物体的拓扑结构,最终提高上采样点云的形态保真度。
技术实现思路
1、本专利技术的目的在于提供一种拓扑结构保持的深度学习点云上采样方法及装置,旨在解决拓扑结构保持的深度学习点云上采样问题。
2、本专利技术提供一种拓扑结构保持的深度学习点云上采样方法,包括:
3、s1:构建点云数据集,所述点云数据集包括:点云三维坐标数据集和点云法向量数据集;
4、s2:将点云三维坐标数据集输入图卷积网络获取点云特征;
5、s3:计算点云统计量以估计点云三维坐标数据集中位于边缘、轮廓和稀疏位置的数据点,将这些数据点输入图卷积网络获取图特征;所述图特征用于修正所述点云特征得到修正点云特征;
6、s4:将所述修正点云特征输入图卷积网络得到点云高层特征;
7、s5:将点云三维坐标数据集中的数据点视作图中的节点,每个节点与适量的周围的节点相连以构成边,形成点云三维坐标数据集的图结构;
8、s6:将所述图结构和点云三维坐标数据集输入级联的有向图卷积网络得到点云拓扑特征;
9、s7:将点云高层特征和拓扑特征通过加和的方式整合,得到点云完整特征;
10、s8:将点云完整特征输入上采样器,得到特征空间中的扩展的点集;
11、s9:扩展的点集经坐标回归器得到三维的扩展的点云数据集,即上采样点云,并评估模型效果。
12、本专利技术实施例还提供一种拓扑结构保持的深度学习点云上采样装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述方法的步骤。
13、采用本专利技术实施例,拓扑结构保持的深度学习点云上采样,通过搜索位于边缘、轮廓以及稀疏位置的点并改进这些点的特征聚合以修正点云的特征,减少了上采样点云的模糊、不清晰的边界;此外,通过更精确地构建点云图结构以及配置图信息感知的信息聚合网络,使模型能够更深刻地学习物体的拓扑结构,最终提高上采样点云的形态保真度。
14、上述说明仅是本专利技术技术方案的概述,为了能够更清楚了解本专利技术的技术手段,依照说明书的内容予以实施,并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂,以下特举本专利技术的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种拓扑结构保持的深度学习点云上采样方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于:所述S1具体包括:构建点云数据集,将点云坐标数据集表示为集合P={p1,p2,…,pN};
3.根据权利要求2所述的方法,其特征在于:所述S2具体包括:将点云三维坐标数据集输入图卷积网络获取点云特征,所述点云三维坐标数据集中的点云形状为N×3,所述点云特征的形状为N×C0。
4.根据权利要求3所述的方法,其特征在于:所述S3具体包括:
5.根据权利要求4所述的方法,其特征在于:步骤S4中获得的点云高层特征形状为N×C1;
6.根据权利要求1所述的方法,其特征在于:步骤S6中,具体包括如下步骤:
7.根据权利要求4所述的方法,其特征在于:步骤S31中数据点pi的局部坐标差异计算具体包括如下步骤:
8.根据权利要求4所述的方法,其特征在于:步骤S33中数据点pj的局部法向量差异计算具体包括如下步骤:
9.根据权利要求1所述的方法,其特征在于:评估模型效果具体包括:计算上采样点
10.一种拓扑结构保持的深度学习点云上采样装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的拓扑结构保持的深度学习点云上采样方法的步骤。
...【技术特征摘要】
1.一种拓扑结构保持的深度学习点云上采样方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于:所述s1具体包括:构建点云数据集,将点云坐标数据集表示为集合p={p1,p2,…,pn};
3.根据权利要求2所述的方法,其特征在于:所述s2具体包括:将点云三维坐标数据集输入图卷积网络获取点云特征,所述点云三维坐标数据集中的点云形状为n×3,所述点云特征的形状为n×c0。
4.根据权利要求3所述的方法,其特征在于:所述s3具体包括:
5.根据权利要求4所述的方法,其特征在于:步骤s4中获得的点云高层特征形状为n×c1;
6.根据权利要求1所述的方法,其特征在于:步骤s6中,具体包括如...
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。