期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到215篇文章
< 1 2 … 11 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
PointNMSA: An Improved PointNeXt Network with Non-Local Multi-Scale Aggregation for 3D Point Cloud Semantic Segmentation 认领 引用
1
作者 Aihua Wu Chenlu Huang 《Computers, Materials & Continua》 SCIE EI 2026年第8期1632-1649,共18页
Three-dimensional(3D)point cloud semantic segmentation is a core task in indoor scene understanding,providing detailed semantic information about spatial structures and object categories in indoor environments.Althoug... Three-dimensional(3D)point cloud semantic segmentation is a core task in indoor scene understanding,providing detailed semantic information about spatial structures and object categories in indoor environments.Although methods based on deep learning have made steady progress in recent years,accurately segmenting complex indoor scenes remains challenging due to the unordered nature of point clouds and variations across large scales.Most existing networks have limited capability for multi-scale feature aggregation and struggle to balance local geometric details with global semantic context.These issues are further exacerbated by hierarchical downsampling,which often leads to the loss of fine-grained structural information.Moreover,feature interaction restricted to local neighborhoods may limit the capture of non-local semantic dependencies in complex indoor scenes.To address these limitations,we propose PointNMSA(PointNeXt with Non-local Multi-Scale Aggregation),an improved semantic segmentation network built upon the PointNeXt backbone.A Multi-Scale Feature Enhancement(MSFE)module is introduced in the decoding stage to fuse features from different encoding levels,and further refines the fused features to produce more stable multi-scale representations,which preserves geometric details across scales.In addition,a Convolution-Attention Mixing(CA-Mix)module is designed to jointly integrate local spatial structures and non-local contextual dependencies via dual-stream aggregation and multi-dimensional attention fusion,thereby enabling more discriminative feature representations.Experiments on the Stanford Large-Scale 3D Indoor Spaces(S3DIS)benchmark demonstrate the effectiveness of PointNMSA.On the Area 5 test split,PointNMSA achieves a mean intersection over union(mIoU)of 65.10%,outperforming the PointNeXt baseline by 1.59%,while introducing only a modest increase in computational cost(latency from 42.24 to 45.18 ms and parameters from 3.16 to 8.67M).Despite the noticeable growth in parameter count,the increase in inference latency remains relatively limited,indicating a favorable trade-off between segmentation accuracy and computational efficiency.Additional cross-dataset experiments on ScanNet further verify that PointNMSA maintains stable gains under different indoor scene distributions.Such performance gains suggest that PointNMSA provides a more robust and generalizable solution for semantic segmentation in large-scale indoor environments with complex structural layouts. 展开更多
关键词 3D point cloud semantic segmentation indoor scene understanding multi-scale feature aggregation non-local context integration PointNeXt
暂未订购 下载PDF
基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS 认领 引用
2
作者 张国有 聂宏宇 +1 位作者 潘理虎 雷润东 《计算机应用》 CSCD 北大核心 2026年第7期2259-2266,共8页
三维点云语义分割是自动驾驶与计算机视觉领域的关键技术。基于深度学习的语义分割模型由于网络结构复杂,运行效率低下。针对深度神经网络在三维点云语义分割中效率低下的问题,提出一种基于多层感知机(MLP)级联宽度学习系统(BLS)的点云... 三维点云语义分割是自动驾驶与计算机视觉领域的关键技术。基于深度学习的语义分割模型由于网络结构复杂,运行效率低下。针对深度神经网络在三维点云语义分割中效率低下的问题,提出一种基于多层感知机(MLP)级联宽度学习系统(BLS)的点云语义分割网络Point-MLPBLS。首先,整体网络采用双网络协同架构:特征提取网络和点云分割网络;其次,特征提取网络对输入的点云数据采用采样-分组-聚合操作,并追加倒置残差模块增强局部特征的表达能力;再次,通过特征传播模块实现上采样,恢复原始点云分辨率并进行多尺度特征融合,构建精细化的点云表征;最后,点云分割网络采用扁平化MLP级联结构替代深层迭代训练,在特征映射层嵌入空间感知型MLP,实现高精度推理。在S3DIS数据集上的实验结果表明:与PointNet++相比,Point-MLPBLS的平均交并比(mIoU)提高了12.9个百分点,分割时间缩短了41.1%,提高了点云分割的效率,为三维点云语义分割提供了高效解决方案。 展开更多
关键词 三维点云 语义分割 宽度学习系统 特征融合 注意力机制
暂未订购 下载PDF
基于PointNextMamba联合网络的毫米波点云人体行为识别方法 认领 引用
3
作者 汪诗雅 张远 《计算机测量与控制》 2026年第7期171-179,共9页
针对现有的毫米波雷达人体行为识别方法依赖关键点提取或固定帧融合策略导致性能受限、鲁棒性不足及计算复杂度高的问题,提出了一种基于PointNextMamba联合网络的人体行为识别方法;该方法对毫米波雷达原始信号进行处理,生成并动态融合... 针对现有的毫米波雷达人体行为识别方法依赖关键点提取或固定帧融合策略导致性能受限、鲁棒性不足及计算复杂度高的问题,提出了一种基于PointNextMamba联合网络的人体行为识别方法;该方法对毫米波雷达原始信号进行处理,生成并动态融合多帧点云,利用PointNextMamba网络提取时空特征并完成分类;与两阶段方法相比,避免了中间表示依赖;与其他一阶段方法相比,提升了动态场景鲁棒性与细节特征捕捉能力,同时降低了计算复杂度,与UWB-PointTransformer的o(n2)相比,本方法时间复杂度为o(n),在GPU上的平均推理速度提升了5倍;在Vayyar数据集上的消融实验及实际场景测试表明,该方法在识别准确率与效率方面均优于现有方法,能够有效满足实际应用中对实时性与鲁棒性的需求。 展开更多
关键词 毫米波点云 PointNextMamba 时空特征融合 状态空间模型 人体行为识别
暂未订购 下载PDF
基于PointNet++的焊缝质量检测研究 认领 引用 被引量：2
4
作者 卢佳旺 马良 陈晓明 《应用激光》 CSCD 北大核心 2025年第11期184-195,共12页
针对传统焊缝检测方法依赖人工操作、效率低且主观性强的问题,提出一种基于点云语义分割的自动化检测技术,旨在提升焊缝尺寸测量的精度与效率。该方法通过高精度激光扫描获取三维点云数据,借助改进的PointNet++模型实现特征提取与分割... 针对传统焊缝检测方法依赖人工操作、效率低且主观性强的问题,提出一种基于点云语义分割的自动化检测技术,旨在提升焊缝尺寸测量的精度与效率。该方法通过高精度激光扫描获取三维点云数据,借助改进的PointNet++模型实现特征提取与分割。特别引入多尺度几何特征融合模块,在Set Abstraction层中采用动态多尺度感受机制,结合六维几何特征增强模块,强化焊缝表面几何感知能力。实验数据覆盖6种工业场景并按7∶2∶1比例均衡划分训练集、测试集与验证集。实验结果表明,模型训练与测试准确率均达90%,焊缝分割的平均交并比(mIoU)最高为80.7%。进一步采用PCL库对分割后的点云进行配准、滤波及边界提取,实现焊缝几何尺寸的测量。该方法可减少人工检测带来的误差,提升测量效率与一致性,为工业质检提供高精度自动化解决方案。 展开更多
关键词 焊缝检测 PointNet++ 点云语义分割 多尺度几何特征融合 激光扫描
暂未订购 下载PDF
基于特征流的点云目标检测方法 认领 引用 被引量：1
5
作者 陆军 邹康成 李杨 《智能系统学报》 CSCD 北大核心 2026年第1期146-155,共10页
针对现有激光雷达点云三维目标检测方法因点云稀疏性导致的场景信息缺失与目标漏检问题,本文提出一种基于特征流的单阶段三维目标检测算法,该算法通过多帧时空特征融合与动态对齐机制优化检测性能。首先,构建门控网络驱动的多帧融合框架... 针对现有激光雷达点云三维目标检测方法因点云稀疏性导致的场景信息缺失与目标漏检问题,本文提出一种基于特征流的单阶段三维目标检测算法,该算法通过多帧时空特征融合与动态对齐机制优化检测性能。首先,构建门控网络驱动的多帧融合框架,利用可变形注意力机制协同时空特征提取模块,实现跨帧特征的动态对齐,抑制未对齐特征融合导致的误检;其次,设计时空特征引导的可变形注意力机制,通过目标运动信息预测特征偏移与权重,提升稀疏点云的特征匹配精度;最后,设计层级式特征流提取模块,结合多尺度特征提取与渐进融合策略,增强场景表征能力。实验结果表明,所提算法在NuScenes验证集上的平均精度均值达到63.73%,较体素基准方法提升4.51%,其中摩托车、自行车等小目标检测精度提升超过14%。消融实验结果表明,多帧互补机制使远距离目标(>50 m)召回率提升16.2%,遮挡场景漏检率降低11.8%。本研究为自动驾驶领域稀疏点云三维检测提供了有效方案。 展开更多
关键词 激光雷达点云 目标检测 特征流 特征对齐 时序特征融合 可变形注意力机制 鸟瞰视角表示 多帧点云融合
暂未订购 下载PDF
几何先验引导的堆叠点云抓取位姿联合预测方法 认领 引用 被引量：1
6
作者 李小晗 张哲戬 +5 位作者 徐胜军 孟月波 杨玥 武经 苏晓杰 陈义明 《控制与决策》 EI CSCD 北大核心 2026年第5期1403-1414,共12页
为提升机器人在非结构化堆叠场景中的抓取识别精度与执行稳定性,提出一种融合几何先验建模与姿态质量评估机制的六自由度抓取预测算法.首先,构建点云识别网络Point-LaKan,通过增强输入点云的局部几何特征,设计由局部聚合模块与高维非线... 为提升机器人在非结构化堆叠场景中的抓取识别精度与执行稳定性,提出一种融合几何先验建模与姿态质量评估机制的六自由度抓取预测算法.首先,构建点云识别网络Point-LaKan,通过增强输入点云的局部几何特征,设计由局部聚合模块与高维非线性映射模块构成的LAKAN特征提取结构,提升对堆叠抓取区域的结构表征能力;其次,设计方向向量约束下的抓取姿态估计策略,通过最小化初始与目标姿态间的空间差异,提升姿态生成的可执行性与可解释性;最后,构建融合方向约束、碰撞检测与质心评分的抓取姿态筛选机制,实现候选姿态的多因素评估与排序,增强算法在复杂环境下的执行鲁棒性.为验证算法性能,自主构建多类别堆叠物体仿真点云抓取数据集,分别在CoppeliaSim仿真平台与真实机器人系统中开展实验.结果表明:在模型参数量减少4.69%、推理速度提升37.19%的条件下,抓取区域识别准确率提升了25.26%;真实抓取成功率与任务完成率最高可提升29.40%与18.39%. 展开更多
关键词 机器人抓取 几何先验特征 多尺度点云特征融合 抓取目标识别网络 6-DOF位姿估计 方向约束
暂未订购 下载PDF
PlaneSegNet:A deep learning network with plane attention for plant point cloud segmentation in agricultural environments 认领 引用
7
作者 Xin Yang Chenyi Xu +5 位作者 Yan Wang Ruixia Feng Jinshi Yu Zichen Su Teng Miao Tongyu Xu 《Artificial Intelligence in Agriculture》 SCIE EI CSCD 2026年第1期284-299,共16页
Accurately extracting plant point clouds from complex agricultural environments is essential for high-throughput phenotyping in smart farming.However,existing methods face significant challenges when processing large-... Accurately extracting plant point clouds from complex agricultural environments is essential for high-throughput phenotyping in smart farming.However,existing methods face significant challenges when processing large-scale agricultural point clouds owing to high noise levels,dense spatial distribution,and blurred structural boundaries between plant and non-plant regions.To address these issues,this study proposes PlaneSegNet,a voxel-based semantic segmentation network that incorporates an innovative plane attention module.This module aggregates projection features from the XZ and YZ planes,enhancing the model's ability to detect vertical geometric variations and thereby improving segmentation performance in boundary regions.Extensive experiments across representative agricultural scenarios at multiple scales,including open-field populations,greenhouse cultivation environments,and large-scale rural landscapes,demonstrate that PlaneSegNet significantly outperforms traditional geometry-based approaches and deep-learning models in plant and non-plant separation.By directly generating high-quality plant-only point clouds,PlaneSegNet significantly reduces reliance on manual pre-processing,offering a practical and generalisable solution for automated plant extraction across a wide range of agricultural applications. 展开更多
关键词 Plant segmentation Point cloud Deep learning Feature fusion Population datasets
融合跨模态特征与颜色引导的遮挡目标6D位姿估计算法 认领 引用 被引量：1
8
作者 贾军营 艾良 卢鑫 《计算机应用研究》 CSCD 北大核心 2026年第4期1238-1244,共7页
在复杂遮挡环境下,基于RGBD的6D位姿估计仍然面临多模态特征未能充分融合以及点云配准易受遮挡和视角变化影响的问题。针对以上问题,提出了一种面向遮挡场景的多模态6D位姿估计算法。该方法在特征提取阶段建立RGB图像与点云数据的跨模... 在复杂遮挡环境下,基于RGBD的6D位姿估计仍然面临多模态特征未能充分融合以及点云配准易受遮挡和视角变化影响的问题。针对以上问题,提出了一种面向遮挡场景的多模态6D位姿估计算法。该方法在特征提取阶段建立RGB图像与点云数据的跨模态关系,并在点云配准过程中引入颜色特征信息,以提高配准的准确性和鲁棒性。在Occlusion LineMOD数据集上的实验,结果显示该方法在多个目标类别下均优于现有主流方法,平均精度提升了2.3%。研究表明,该算法能够在严重遮挡和复杂视角条件下保持较高的估计精度,为多模态6D位姿估计提供了一种有效的解决思路,并为后续在机器人操作与自动驾驶等应用中的推广奠定了基础。 展开更多
关键词 遮挡场景位姿估计 多模态特征融合网络 点云配准 跨模态特征建模 机器人抓取
暂未订购 下载PDF
基于LGSA-HFFNet的多尺度特征融合点云配准算法 认领 引用
9
作者 于智龙 高东浦 +2 位作者 黄成 齐丽华 张彪 《仪器仪表学报》 EI CAS CSCD 北大核心 2026年第1期353-365,共13页
为了解决基于点云配准的阀门位姿估计工作中点云背景复杂、部分特征被遮挡缺失、噪声干扰等问题,提出了一种轻量化图-空间注意力机制的多尺度特征融合点云配准网络(LGSA-HFFNet)点云配准算法。该方法设计并使用多尺度并行卷积特征提取层... 为了解决基于点云配准的阀门位姿估计工作中点云背景复杂、部分特征被遮挡缺失、噪声干扰等问题,提出了一种轻量化图-空间注意力机制的多尺度特征融合点云配准网络(LGSA-HFFNet)点云配准算法。该方法设计并使用多尺度并行卷积特征提取层,强化模型特征提取,避免模型训练中梯度爆炸问题并加速收敛;其次,设计结合图注意力与空间注意力机制并进行轻量化改进的轻量化图-空间注意力机制(LGSA)模块,解决由点云信息特征的无序性造成的神经网络特征提取困难的问题,使模型能够有效提取点云局部特征;最后,使用设计位姿估计实验验证系统,将模型在实际阀门位姿估计工作中进行实机部署实验。实验结果表明,LGSA-HFFNet算法在阀门点云配准实验中平均相对平移误差低至0.05 m,对旋转误差低至0.984°,且具有良好的鲁棒性,在复杂背景下平移及旋转配准性能仅下降2%、7.5%,配准耗时相较于迭代最近点(ICP)降低80.32%,配准性能远优于ICP和半正定随机化抽样一致(SDRSAC)等传统算法;在ModelNet40对比实验中的旋转、平移误差降低至2.293°和0.006 m,配准旋转误差达到比较先进的水平,平移误差较现有模型有较大优势;在噪声干扰较大的真实场景阀门位姿估计数据集实验中误差降低至2.1757°和0.036 m,相较于现有模型误差至少降低28.98%和17.81%。 展开更多
关键词 点云配准 图注意力 空间注意力 特征融合 轻量化网络
暂未订购 下载PDF
基于多尺度特征融合网络的煤矿巷道点云降噪方法 认领 引用
10
作者 李安宁 钟向锋 +5 位作者 马伟 刘己盛 朱通 许少毅 王承涛 蔡武 《工矿自动化》 CSCD 北大核心 2026年第7期114-121,共8页
煤矿巷道三维激光扫描原始点云存在大量噪声,现有点云降噪方法无法同步滤除多类型噪声点云,且计算开销较大,难以满足煤矿井下巷道点云实时降噪处理的要求。针对上述问题,提出了一种多尺度特征融合网络用于煤矿巷道点云降噪。通过多尺度... 煤矿巷道三维激光扫描原始点云存在大量噪声,现有点云降噪方法无法同步滤除多类型噪声点云,且计算开销较大,难以满足煤矿井下巷道点云实时降噪处理的要求。针对上述问题,提出了一种多尺度特征融合网络用于煤矿巷道点云降噪。通过多尺度特征提取模块完整保留点云细粒度几何细节,逐步融合全局特征以构建层次化、高鲁棒性的点云特征;采用自注意力模块计算多尺度特征融合后高维点云特征的关联分数,建立巷道点云中各点之间的依赖关系,实现自适应加权;利用上下文增强模块完成局部与全局上下文特征的增强及融合,精细化点云表征。实验结果表明:上述3种模块的引入均能提升巷道噪声点云去除性能,其中自注意力模块对维持精确率与召回率的平衡具有关键作用;多尺度特征融合网络的精确率、召回率和F1分数分别为0.9361,0.9287,0.9324,在去除无效噪声点云的同时高效保留有效巷道点云,且每秒浮点运算次数、参数量、推理速度分别为1.221×109,1.191×106个,2.25 m/s,在巷道点云降噪精度与实时性之间取得了较好平衡。 展开更多
关键词 巷道点云降噪 多尺度特征融合 自注意力模块 多尺度特征提取 上下文增强
暂未订购 下载PDF
采用多尺度特征融合的点云配准算法 认领 引用
11
作者 汪洋 张蔚 +1 位作者 谢磊 陈德山 《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2026年第2期40-49,共10页
为了解决深度学习方法在处理部分重叠点云配准时出现的泛化性和精度下降问题,提出一种多尺度特征融合的点云配准算法.首先,对不同尺度的点云进行特征描述以获得局部结构信息,通过加权和对不同尺度下的特征进行融合,以增强特征的表示能力... 为了解决深度学习方法在处理部分重叠点云配准时出现的泛化性和精度下降问题,提出一种多尺度特征融合的点云配准算法.首先,对不同尺度的点云进行特征描述以获得局部结构信息,通过加权和对不同尺度下的特征进行融合,以增强特征的表示能力;然后,利用多注意力机制增强点云之间的特征关联性,发现更准确的对应关系;最后,使用位置估计模块计算源点云的虚拟对应点,并通过奇异值分解(SVD)求解源点云与虚拟对应点的最佳变换.在ModelNet40数据集的完整点云场景下,旋转与平移的均方误差分别为6.3×10-2与1.0×10-5;在部分重叠点云场景下旋转平移的均方误差分别为2.29×10-4与3×10-4,均低于深度最近点(DCP)算法.对于未知种类点云和噪声点云,本算法的误差仍低于迭代最近点(ICP)、快速全局配准(FGR)以及深度最近点(DCP)等代表性对比方法,进一步验证了算法的有效性. 展开更多
关键词 点云 点云配准 多尺度特征融合 多注意力机制 虚拟对应点
暂未订购 下载PDF
基于点云语义分割与特征融合Snake模型的多模态建筑物边界提取研究 认领 引用
12
作者 田泽宇 方晓辉 +1 位作者 卢廷军 贾中源 《测绘工程》 2026年第3期8-14,25,共7页
从激光雷达点云中提取的建筑物边界往往因数据离散、稀疏及不规则分布而出现轮廓收缩与不完整;而从高分辨率遥感影像中提取的建筑物边界则易受光照变化、阴影遮挡和复杂背景的干扰,导致边缘定位不准。文中提出了一种基于点云语义分割与... 从激光雷达点云中提取的建筑物边界往往因数据离散、稀疏及不规则分布而出现轮廓收缩与不完整;而从高分辨率遥感影像中提取的建筑物边界则易受光照变化、阴影遮挡和复杂背景的干扰,导致边缘定位不准。文中提出了一种基于点云语义分割与特征融合Snake模型的多模态建筑物提取算法。该算法首先通过基于空间注意力卷积的点云语义分割模型,从点云数据中提取建筑物边界;然后将点云边界投影至配准后的遥感影像上,通过构建的特征融合Snake模型,以点云边界为初始轮廓,融合点云边界先验能量、几何形状约束能量和结构线段引导能量,对影像数据的建筑物边界进行提取,进一步提升边界提取的精度与鲁棒性。在国际摄影测量与遥感学会的Vaihingen数据集上的实验结果表明,本研究的建筑物边界提取算法在质量指标Q的平均值达到92.4%,优于多种主流的深度学习方法和无监督方法,验证其在复杂场景下建筑物边界提取的有效性与优越性。 展开更多
关键词 建筑物边界提取 多模态遥感数据 点云语义分割 特征融合Snake模型
暂未订购 下载PDF
基于点云数据与微多普勒谱图多模态特征的雷达步态识别 认领 引用
13
作者 孙延鹏 王爽 +1 位作者 屈乐乐 李侠洋 《雷达科学与技术》 北大核心 2026年第3期289-298,共10页
基于雷达的步态识别作为人体身份识别的一种技术手段具有重要的应用前景,但依赖单模态下的单一特征或同域多特征融合的传统方法不足以支撑鲁棒性的步态识别。随着Mamba网络在计算机视觉领域展现的优越性能,现有的多模态步态识别方法大... 基于雷达的步态识别作为人体身份识别的一种技术手段具有重要的应用前景,但依赖单模态下的单一特征或同域多特征融合的传统方法不足以支撑鲁棒性的步态识别。随着Mamba网络在计算机视觉领域展现的优越性能,现有的多模态步态识别方法大多缺乏先进的网络架构,识别性能有待提高。此外,例如雷达相机的双传感器模态特征融合类型的步态识别方法在现实中存在设备成本昂贵及隐私泄露问题。为此本文提出一种基于PLVM双流网络的雷达步态识别方法,首先使用毫米波雷达采集人体行走的步态回波数据,经过预处理得到微多普勒时频图以及雷达点云数据,一并送入到PLVM网络进行训练。PLVM双流网络由Pointnet结合双向长短期记忆网络(BiLSTM)分支与具有状态空间模型(SSM)的ViM分支构成,能够有效提取时频图的微多普勒特征和点云的时空特征,将两种模态特征进行互补融合进而完成人体步态识别。实验结果表明相较于传统单模态识别方法,本文方法可有效提升人体步态识别性能,其测试准确率高达98.36%。 展开更多
关键词 步态识别 毫米波雷达 雷达点云 微多普勒特征 Vision Mamba网络 多模态特征融合
暂未订购 下载PDF
双分支结构下多层次特征融合的点云配准网络 认领 引用
14
作者 刘明 沈东奇 孟子洋 《计算机应用》 CSCD 北大核心 2026年第8期2584-2593,共10页
针对点云配准中因部分重叠、遮挡与噪声干扰导致的配准精度差与鲁棒性不足的问题,提出一种双分支结构下的多层次特征融合的点云配准网络DMFNet(Dual-branch Multi-level Feature Fusion Network)。该网络在编码阶段并行设置旋转分支与... 针对点云配准中因部分重叠、遮挡与噪声干扰导致的配准精度差与鲁棒性不足的问题,提出一种双分支结构下的多层次特征融合的点云配准网络DMFNet(Dual-branch Multi-level Feature Fusion Network)。该网络在编码阶段并行设置旋转分支与平移分支,并在浅层、中层与深层分别引入自注意力融合与交叉注意力融合模块,从而实现源点云与参考点云之间的多尺度特征交互与深度融合,同时,设计了旋转与平移特征融合模块以增强姿态估计能力;在回归阶段基于轻量级Set Transformer回归器,采用多层诱导注意力块与注意力池化模块来直接回归四元数与平移向量。DMFNet不依赖重叠区域的检测或显式掩码估计,具备更强的适应性与泛化能力。在ModelNet40数据集上与6种点云配准方法进行对比实验,并在斯坦福3D扫描数据集进行泛化能力实验。实验结果表明,在ModelNet40数据集上添加噪声的情况下二次采样,相较于最大极大团配准(MAC)方法,DMFNet在RMSE(t)和Error(R)指标上分别降低了21.32%和14.47%,展现出更优的鲁棒性与配准精度。 展开更多
关键词 深度学习 点云配准 三维点云 特征融合 注意力机制
暂未订购 下载PDF
基于改进SAC-IA与多源数据的一体化实景三维建模技术研究 认领 引用
15
作者 崔团团 高永涛 +1 位作者 唐凝 杨娟 《自动化与仪器仪表》 2026年第2期313-317,共5页
随着三维建模在城市更新、数字孪生等领域的广泛应用,为实现高效、精准的多源数据配准与建模问题。研究提出一种基于多源数据融合与改进的样本一致性初始对齐算法(Sample Consensus Initial Alignment,SAC-IA)算法的一体化三维建模方法... 随着三维建模在城市更新、数字孪生等领域的广泛应用,为实现高效、精准的多源数据配准与建模问题。研究提出一种基于多源数据融合与改进的样本一致性初始对齐算法(Sample Consensus Initial Alignment,SAC-IA)算法的一体化三维建模方法。研究通过多源坐标系统一实现空间对齐,并采用快速点特征直方图增强几何特征表达,融合曲率密度参数与Huber函数构建鲁棒配准模型。该算法在训练集和测试集上的配准适配度分别为0.93和0.89。在配准耗时方面,改进SAC-IA算法在200次迭代后平均耗时为13.3 s,显著优于对比方法。此外,在典型建模场景中,最大单点误差控制在0.045 m~0.050 m内,均方根误差最低可达0.039 m。结果表明,所提方法在精度、效率和适应性上均优于传统方法,适用于城市建模、遗产保护等复杂场景。 展开更多
关键词 三维建模 多源数据融合 SAC-IA算法 点云配准 快速点特征直方图
暂未订购 下载PDF
恶劣天气下激光点云图像融合的车辆分类方法 认领 引用
16
作者 吕斌 黄悦 《应用激光》 CSCD 北大核心 2026年第6期175-187,共13页
针对车辆分类在沙尘低反射率、雨雪天高噪声、夜间低光照出现的性能退化问题,兼顾城市交通适应性与计算效率,提出基于激光点云图像融合的轻量化多特征车辆分类模型。将机非混行交通场景、特种车辆运行纳入模型适应性衡量体系,设计基于... 针对车辆分类在沙尘低反射率、雨雪天高噪声、夜间低光照出现的性能退化问题,兼顾城市交通适应性与计算效率,提出基于激光点云图像融合的轻量化多特征车辆分类模型。将机非混行交通场景、特种车辆运行纳入模型适应性衡量体系,设计基于物理约束的多级参数调节激光点云去噪框架:感知域构建与多级噪声抑制;地形自适应地面分割;三维空间精准剪裁;改进实时聚类验证,抑制恶劣天气点云冗余背景信息、强化车辆目标关键特征。提取几何、纹理、速度等7维异构特征,训练14种基于K近邻、支持向量机、判别函数、朴素贝叶斯、决策树的分类器。结合显著性分析不同特征的分类性能,以自制恶劣天气点云数据集和包含非机动车、特种车辆的目标数据集验证模型有效性。结果表明,背景去噪71.976%,优于固定阈值的单滤波算法;参数调优的中等高斯SVM分类精度达97.36%,使客货误检率降低50%,有效提升了恶劣天气条件下的车辆分类鲁棒性。 展开更多
关键词 智能交通系统 恶劣天气 点云去噪 欧几里得聚类 多特征融合 机器学习分类
暂未订购 下载PDF
深度学习在3D点云分类中的应用 认领 引用
17
作者 纪宇菲 郭丽红 +1 位作者 胡婷婷 翁迪泽 《自动化技术与应用》 2026年第8期72-75,共4页
随着三维感知技术快速发展,点云数据已广泛应用于三维物体识别、场景理解等多个领域,设计和优化高效的点云处理网络已成为研究热点和技术难题。针对传统PointNet++模型局部特征提取能力不足、特征融合不充分,导致点云分类精度受限的问题... 随着三维感知技术快速发展,点云数据已广泛应用于三维物体识别、场景理解等多个领域,设计和优化高效的点云处理网络已成为研究热点和技术难题。针对传统PointNet++模型局部特征提取能力不足、特征融合不充分,导致点云分类精度受限的问题,提出一种改进的PointNet++模型,通过引入KAN模型来增强局部特征的提取和融合能力,从而提升分类性能。KAN模型以样条单变量函数替代传统线性权重结构,摒弃多层感知机固有局限,强化网络对点云局部细粒度特征的捕捉与多尺度特征融合能力,同时提升模型可解释性与特征表征精度。实验基于ModelNet10数据集进行分类性能对照,实验结果表明,融入KAN结构的改进模型能够有效挖掘点云深层局部特征,相较原始模型分类准确率实现显著提升。研究结论证实,KAN可有效优化PointNet++的特征提取机制,能够明显增强模型对点云数据的表征能力,为三维点云分类任务提供一种高效可行的网络改进方案,也为后续点云深度学习模型优化提供参考思路。 展开更多
关键词 PointNet++ KAN 深度学习 点云分类 局部特征提取 多尺度特征融合 ModelNet10数据集
暂未订购 下载PDF
基于双通道自注意力的点云语义分割 认领 引用
18
作者 舒军 王帅 吴启 《湖北工业大学学报》 2026年第2期44-49,共6页
针对点云语义分割存在局部特征提取细粒度特征描述能力不足,以及忽略局部与全局特征融合的问题。本文在主干网络中加入双通道自注意力机制,其中空间自注意模块学习邻域点之间的相互关联性,捕捉上下文信息,提高局部特征的分辨能力,通道... 针对点云语义分割存在局部特征提取细粒度特征描述能力不足,以及忽略局部与全局特征融合的问题。本文在主干网络中加入双通道自注意力机制,其中空间自注意模块学习邻域点之间的相互关联性,捕捉上下文信息,提高局部特征的分辨能力,通道自注意模块聚合通道结构信息,减少噪声影响。同时设计了多密度特征融合模块,将不同密度的点云作为基于双通道自注意力机制的骨干网络的输入,聚合不同密度的点云特征,融合局部与全局的特征,提高语义分割的性能。在S3DIS和Semantic3D数据集上的大量实验表明,双通道自注意力机制的有效性。 展开更多
关键词 双通道自注意力 多密度特征融合 点云 语义分割
暂未订购 下载PDF
双阶段双分支模型的三维点云去噪 认领 引用 被引量：1
19
作者 权思文 张淑婷 +3 位作者 赵河彬 聂子铭 胡忠文 杨佳琪 《中国图象图形学报》 CSCD 北大核心 2026年第1期261-272,共12页
目的三维点云数据在三维重建、自动驾驶等领域有着广泛应用,然而由于传感器设备受限和环境因素,点云数据不可避免地受到噪声影响,降低了数据质量,进而影响了后续处理和分析的准确性。现有的基于深度学习的点云去噪主流方法大多采取单阶... 目的三维点云数据在三维重建、自动驾驶等领域有着广泛应用,然而由于传感器设备受限和环境因素,点云数据不可避免地受到噪声影响,降低了数据质量,进而影响了后续处理和分析的准确性。现有的基于深度学习的点云去噪主流方法大多采取单阶段单分支去噪流程,导致模型学习到的特征的表达能力有限,难以捕捉点云复杂的结构信息。因此,提出一种双阶段双分支模型用于三维点云去噪,旨在获得综合点云特征。方法阶段1:利用双分支编码器提取点云块局部和全局特征,并用交叉注意力融合;阶段2:利用注意力机制增强阶段1特征,聚焦强特征表达。最终,加权融合两阶段解码位移,指导点云去噪。结果在3个数据集上与较新的6种方法进行比较,在PUNet(point cloud upsampling network)数据集上,相比Pointfilter取得3个最佳性能、2个次佳性能,双分支双编码器模型取得6个最佳性能、3个次佳性能;在PCNet(point clean network)数据集上,相比于IterativePFN取得2个最佳性能、6个次佳性能,双分支双编码器模型取得7个最佳性能、3个次佳性能;在Kinect_v1数据集上,相比于同期最优模型,双阶段双分支模型在两种指标上取得次佳效果,整体达到最佳。结论本文所提出的双阶段双分支模型的三维点云去噪,解决了点云数据块局部特征和全局特征的提取和融合问题,实现了更好的去噪效果。 展开更多
关键词 深度学习 三维点云去噪 双分支编码器 特征融合 注意力机制
暂未订购 下载PDF
基于改进RandLA-Net的车载点云标线识别方法 认领 引用 被引量：1
20
作者 张傲寒 岳东杰 +3 位作者 赵钢 徐菲 刘丹妮 王刘宇 《南京信息工程大学学报》 CAS 北大核心 2026年第2期267-277,共11页
针对车载LiDAR点云在道路标线识别中存在几何特征稀疏、遮挡或缺损导致标线模糊,以及复杂场景下边界辨识度低等问题,本文提出一种基于改进RandLA-Net的道路标线点云识别方法.首先,构建混合池化模块融合局部邻域与全局特征,以捕获更广泛... 针对车载LiDAR点云在道路标线识别中存在几何特征稀疏、遮挡或缺损导致标线模糊,以及复杂场景下边界辨识度低等问题,本文提出一种基于改进RandLA-Net的道路标线点云识别方法.首先,构建混合池化模块融合局部邻域与全局特征,以捕获更广泛的上下文信息;其次,设计特征对比增强模块,通过分析不同点的特征差异,并结合最大特征值和平均特征值的对比,采用特征加权策略,强化关键区域(如箭头、实线边界)的特征响应;最后,提出融合Dice与加权交叉熵的损失函数,以增强模型对边界区域的感知能力.为验证算法鲁棒性,本文构建了两个道路标线点云数据集Toronto-Rdmk和UPM-Rdmk,对其进行实验验证与分析.实验结果表明,本文方法在Toronto-Rdmk数据集上的平均交并比为69.40%,在UPM-Rdmk数据集上为49.06%,分别比RandLA-Net提高了3.17和4.23个百分点.充分证明了所提方法在复杂场景下的有效性,为大规模道路标线点云的自动化识别提供了有力支持. 展开更多
关键词 车载LiDAR点云 RandLA-Net 混合池化模块 特征对比增强模块 融合损失函数 道路标线点云数据集
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 11 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈