三維場景散亂點云語義分割是實現(xiàn)室內三維場景理解與智能環(huán)境感知的前提和基礎。近年來,國內外學者不斷嘗試將深度學習用于室內三維場景散亂點云分割與識別。然而,三維散亂點云數(shù)據(jù)本質上的無序性,使得現(xiàn)有的散亂點云深度學習模型仍無法避免特征信息抽取能力不足、網(wǎng)絡框架泛化能力差等問題。本課題以提升點云深度學習網(wǎng)絡特征抽取能力與網(wǎng)絡框架泛化能力為目標,基于局部有序化思想和奇異值分解理論,對室內三維場景散亂點云語義分割開展研究,研究工作如下:首先,針對室內三維場景散亂點云語義分割模型在處理采樣點分布不均的點云時無法避免鄰域聚集,易導致特征信息提取誤差大的問題,提出一種有向鄰域搜索策略。該方法將最近鄰與局部空間二次劃分相結合,通過在每個卦限內進行“最遠-最近”點采樣搜索有向鄰近點,以避免采樣點分布不均情況下的鄰域聚集與特征刻畫不足問題;參考Unet網(wǎng)絡框架,將有向鄰域搜索與PointNet網(wǎng)絡相結合,設計一種新的用于散亂三維點云場景分割的PointUnet網(wǎng)絡框架。其次,為了解決室內三維場景散亂點云語義分割模型網(wǎng)絡框架適應能力差的問題,提出一種奇異值分解有向卷積計算模型。該模型通過對局部協(xié)方差矩陣進行奇異值...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖2-3Sigmoid函數(shù)及其導數(shù)圖像

第2章點云深度學習理論基礎-11-函數(shù)有Sigmoid函數(shù)，Tanh函數(shù)，ReLu函數(shù)，三者的數(shù)學公式及其導數(shù)公式如式(2-3)至(2-8)所示。1()1xSigmoidxe=+(2-3)2"()(1)xxeSigmoidxe=+(2-4)()xxxxeeTanhxee=+(2-....

圖2-4Tanh函數(shù)及其導數(shù)圖像

燕山大學工學碩士學位論文-12-與Sigmoid函數(shù)類似，從函數(shù)圖像可以看出Tanh函數(shù)同樣存在梯度彌散的現(xiàn)象，唯一的不同就是Tanh函數(shù)的輸出值是以0為中心的，這就使得使用Tanh函數(shù)作為激活函數(shù)效果要比Sigmoid函數(shù)好，Tanh函數(shù)及其導數(shù)圖像如圖2-4所示。a)Tanh....

圖2-5ReLu函數(shù)及其導數(shù)圖像

燕山大學工學碩士學位論文-12-與Sigmoid函數(shù)類似，從函數(shù)圖像可以看出Tanh函數(shù)同樣存在梯度彌散的現(xiàn)象，唯一的不同就是Tanh函數(shù)的輸出值是以0為中心的，這就使得使用Tanh函數(shù)作為激活函數(shù)效果要比Sigmoid函數(shù)好，Tanh函數(shù)及其導數(shù)圖像如圖2-4所示。a)Tanh....

圖4-7奇異值分解有向鄰

燕山大學工學碩士學位論文-34-a)有向鄰域搜索策略搜索出鄰近點b)奇異值分解有向鄰域搜索策略搜索出的鄰近點圖4-7奇異值分解有向鄰域搜索策略可視化效果圖4.2.2算法性能的理論分析為了進一步證明算法的可行性，本節(jié)從局部點云協(xié)方差矩陣解決點云無序性、坐標系旋轉不變性、平移特性以及....

本文編號：4021963