基于深度学习的三维点云分类方法研究

随着深度学习和3D传感技术的快速发展,点云分类已在智能分级等领域得到了广泛的应用。为了更好地推进点云分类技术的研究与应用,利用管道体系结构对相关方法的研究进展进行全面而系统的梳理、分析和总结。首先,根据点云数据处理方式的不同,将现有的点云分类方法归纳为间接基于点云的方法和直接基于点云的方法。然后,着重介绍了具有代表性的方法和最新研究成果,同时比较分析了主要方法的核心思想、优缺点、适用范围、应用场景以及实验结果。最后,从四个方面对点云分类的未来发展以及研究方向进行了展望,结果表明,将间接和直接点云的方法进行2D-3D特征融合是未来的一个重要发展方向。     

激光点云深度学习的树种识别研究北大核心CSCD

针对激光雷达林业树种分类难以直接使用点云数据的问题,使用基于点云深度学习方法进行树种识别并提出PointNet-GS模型,无需将点云转为三维体素或二维图像,避免数据类型转换造成的特征丢失。以河北省塞罕坝机械林场的落叶松和白桦两个树种为研究对象。首先,将获取的点云数据进行数据预处理、单木分割,提取分割效果较好的单木作为样本;其次,将单木提取的样本进行几何下采样处理,保留更多局部特征便于网络模型学习;最后,将下采样处理的样本输入深度学习模型的网络,自动提取其高维特征进行学习,实现树种分类。实验结果表明,PointNet-GS树种分类精度达89.3%,Kappa系数为0.785,效果优于原始PointNet模型。     

三维激光点云数据的可视化研究

大量的点云数据是通过三维激光扫描得到的,而点云数据的显示快慢受到了数据索引的直接影响,这是一个基础性问题。经过研究,八叉树与叶节点KD树相结合的混合空间索引结构以及LOD构建的层次细节模型是用来解决点云数据管理与可视化效率不高的问题的有效方法。在局部,通过在叶子节点中构建的KD树实现高效的查询和显示;在全局,为了实现快速检索与调度使用了八叉树模型。采用这种混合数据模型进行点云组织,建立空间索引,并对点云数据进行LOD构建,实现了点云数据的高效检索以及可视化。     

深度学习在点云分类中的研究综述

点云数据被广泛用于多种三维场景,深度学习凭借提取特征自动化、泛化能力强等优势在三维点云的应用领域快速发展,逐渐成为点云分类的主流研究方法。根据提取方式的不同,将现有算法归纳为传统方法以及深度学习算法。着重介绍基于深度学习的代表性方法和最新研究,总结其基本思想以及优缺点,对比分析主要方法的实验结果;展望深度学习在点云分类领域的未来工作以及研究发展方向。     

采用多尺度近邻体素特征的TLS林分点云分类

针对局部空间中林分点云多呈不规则分布的现状,提出了一种基于多尺度近邻体素特征的地面激光雷达林分点云分类方法。首先,通过特征选择获得六个特征,迭代使用四个尺度的八叉树分割点云,并在每个尺度下迭代遍历每个体素,搜索九个近邻体素计算点特征,实现四个尺度基于近邻体素重心的点特征估计;然后,使用LightGBM分类器完成训练,将该分类器模型应用于测试集实现林分点云分类;最后,通过分类准确率和计算特征用时作为评价指标对该方法实验结果进行评价。分析结果表明,该方法特征计算效率有较大幅度提升,可有效应用于人工林的点云分类任务。     

应用于无人车的三维点云分类方法研究综述

三维点云是无人车环境感知任务中激光雷达采集到的重要数据,包含了周围环境和物体的属性特征。点云分类作为环境感知任务中关键一环,目的是根据属性特征对周围物体和环境进行种类标定,分类结果的准确与否关系到后续导航定位和路径规划任务。在点云分类任务分析研究基础上,依据国内外研究对分类方法进行总结归纳,分别阐述了三种分类方法的思路,详细介绍了三种方法中常用的分类方式及其改进研究,并对其进行优缺点分析总结,根据现有分类方法的研究状况,总结了点云分类方法的研究重点和未来发展趋势。     

点云数据在深度学习中表示方法的研究

为了实现在深度学习中能够端到端表示点云模型,提出基于八叉树和K-D树（OctKD）的点云数据表示方法。该方法将无组织的点云转换为体素空间,在体素空间对三维模型进行八叉树剖分,改进了八叉树编码方式;构建节点间的邻接关系,在GPU端并行构建八叉树;为了克服八叉树编码检索效率低的问题,采用三维K-D树索引单个三维空间点。实验结果表明该方法能够真实反映模型本身的细节特征,提高了点云模型的构造时间和检索效率。这种新的数据结构实现将点云转换为卷积神经网络可以接收的数据形式。     

基于深度学习的点云目标检测方法

随着自动驾驶技术和点云处理技术的不断发展,如何对点云数据中的点的相关特征进行分析就成为关键问题.针对点云特征分析问题,很多的文献中对点云特征值采取手动输入的方法.然而,该类方法无法适应实际环境中复杂多变的情况.为了解决该问题,该文提出了一种新的基于深度学习网络的三维点云检测框架.该框架以深度学习作为点云分析工具,并引入...     

利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。     

基于云平台的任务性能采集和分类方法

由于用户在实际使用云平台时,很难确定云平台的云主机类型,所以造成了云平台资源利用率低下的问题。许多典型的解决资源利用率低下的方法,都是从云提供商的角度优化放置算法,而用户选择将限制资源利用率增加;也有一些方法采用云平台下的任务性能短时间采集并预测,但会降低任务分类的准确性。为了达到提高云平台资源利用率、简化用户操作的目的,首先提出一种多属性的任务性能采集工具Lbenchmark,全面采集任务的性能特征,和Ganglia相比负载降低了50%以上。然后,利用该性能数据,提出一种基于权值可配的多KD树-K最近邻（KNN）应用性能分类算法,挑选适合参数建立多个基于KD树的KNN分类器,通过交叉验证方法调整每个属性在不同分类器的权重,进行选举分类。实验结果表明,所提算法与传统的KNN相比,计算量明显提高了约10倍以上,而准确性平均提高约10%。该算法可利用数据特征映射将资源建议提供给用户和云提供商,进而提高云平台整体的利用率。     

基于LiDAR点云数据的等值线绘制方法

随着新型传感器激光雷达（LiDAR）步入市场,自20世纪80年代起逐渐应用于建筑规划、植被水利等行业.而在测绘行业,采用三维激光雷达扫描技术以取代传统的测量技术才刚开始起步,因其自动化程度高,更新周期短且获取到的数据精度高,信息全而逐渐被现代测绘业逐渐认可.用激光雷达采集到的点云数据为源数据,探究了三维离散点间接综合等值线的方法,并尝试改进三维道格拉斯算法,实现点子重要性排序以用于不同比例尺下地形图的综合.借助二次开发技术实现点数据栅格化,绘制等值线,同时在此过程中对比分析选用不同数量的点集合以及不同分辨率分别对等值线绘制的影响.结果表明先对点数据进行综合继而回放等高线既保留了原始地形的特征,且缩短了数据处理时间,同时也可根据实际比例尺的缩小程度,多尺度地输出、显示等值线.     

基于深度学习的大规模三维点云处理综述

随着三维视觉的快速发展, 基于深度学习的大规模三维点云实时处理成为研究热点. 以三维空间分布无序的大规模三维点云为背景, 综合分析介绍并对比深度学习实时处理三维视觉问题的最新进展, 对点云分割、形状分类、目标检测等方面算法优势与不足进行详细分析, 给出详细的性能分析与优劣对比, 并对点云常用数据集进行简要介绍, 并给出不同数据集的算法性能对比. 最后, 指出未来在基于深度学习方法处理三维点云问题上的研究方向.     

基于深度学习的点云分割方法综述

点云分割是点云数据理解中的一个关键技术,但传统算法无法进行实时语义分割。近年来深度学习被应用在点云分割上并取得了重要进展。综述了近四年来基于深度学习的点云分割的最新工作,按基本思想分为基于视图和投影的方法、基于体素的方法、无序点云的方法、有序点云的方法以及无监督学习的方法,并简要评述;最后分析各类方法优劣并展望未来研究趋势。     

基于旋转不变深度层次聚类网络的点云分析

由于解决了三维点云的排列不变性问题,基于三维点云的深度学习方法在计算机三维视觉领域中取得了重大的突破,人们逐渐倾向于使用三维点云来描述物体并基于神经网络结构来提取点云的特征.然而,现有的方法依然无法解决旋转不变性问题,使得目前的模型鲁棒性较差;同时,神经网络结构的设计过于启发式,没有合理利用三维点云的几何结构与分布特性,导致网络结构的表达能力有待提升.鉴于此,提出了一种具有良好兼容性的严格旋转不变性表达以及深度层次类簇网络,试图从理论与实践两个层面解决上述问题.在点云识别、部件分割、语义分割这3个经典任务上进行了旋转鲁棒性对比实验,均取得了最优的效果.     

Point Cloud Classification Using Content-Based Transformer via Clustering in Feature Space

Recently, there have been some attempts of Transformer in 3D point cloud classification. In order to reduce computations, most existing methods focus on local spatial attention, but ignore their content and fail to establish relationships between distant but relevant points. To overcome the limitation of local spatial attention, we propose a point content-based Transformer architecture, called PointConT for short. It exploits the locality of points in the feature space (content-based), which clusters the sampled points with similar features into the same class and computes the self-attention within each class, thus enabling an effective trade-off between capturing long-range dependencies and computational complexity. We further introduce an inception feature aggregator for point cloud classification, which uses parallel structures to aggregate high-frequency and low-frequency information in each branch separately. Extensive experiments show that our PointConT model achieves a remarkable performance on point cloud shape classification. Especially, our method exhibits 90.3% Top-1 accuracy on the hardest setting of ScanObjectNN. Source code of this paper is available at https://github.com/yahuiliu99/PointConT.     

基于深度学习的3维点云处理综述

深度学习在2维图像等结构化数据处理中表现出了优越性能,对非结构化的点云数据分析处理的潜力已经成为计算机图形学的重要研究方向,并在机器人、自动驾驶、虚拟及增强现实等领域取得一定进展.通过回顾近年来3维点云处理任务的主要研究问题,围绕深度学习在3维点云形状分析、结构提取、检测和修复等方向的应用,总结整理了典型算法.介绍了点云拓扑结构的提取方法,然后对比分析了变换、分类分割、检测跟踪、姿态估计等方向的以构建神经网络为主要研究方法的进展.最后,总结常用的3维点云公开数据集,分析对比了各类方法的特点与评价指标,指出其优势与不足,并从不同角度对基于深度学习的方法处理点云数据所面临的挑战与发展方向进行了讨论.     

基于几何先验和深度学习的点云法矢估算

法矢是三维点云曲面最基本的几何属性.为解决传统几何估算子与基于学习技术中的问题,提出基于几何先验和深度学习的点云法矢估算方法.首先,使用一个多尺度曲面块选择方法保持点云的特征和细节,以降低后续深度网络的学习难度;然后,结合局部特征和几何先验知识设计一个法矢优化神经网络,输出精确点云法矢;最后使用合成模型数据和Microsoft Kinect V1扫描得到的真实模型数据进行验证,使用平均角度误差作为度量标准与主流方法进行对比,定量和定性分析结果表明文中方法在保持模型细节和噪声鲁棒性方面均明显优于对比方法.     

逆向工程中的三维测量数据点云的分割

以线激光一机器视觉测量方式得到的曲面数据云为基础，探讨了曲面密集三维散乱点群数据的分割技术．根据线激光测量方式和三维点群分布的特点，建立了恰当的数据结构在计算机中表示散乱点群．并通过树形的空间结构完成对密集散乱点群空间分割，由此实现对散乱点群数据的几何分割。