结合偏移自注意力机制和残差连接的点云分类北大核心CSCD

现有基于深度学习的点云分类网络通常无法有效利用点云特征间的相关信息,并且存在鲁棒较低的问题。为了提高点云分类网络对有效特征的提取能力,增强模型鲁棒性,本文提出了一种结合偏移自注意力机制和残差连接的点云分类网络。首先在PointCNN基础上引入偏移自注意力模块,更好地关注于有效特征;然后引入残差网络的思想,在注意力层增加残差连接,将残差连接和注意力层的输出特征进行融合形成点云特征;最后使用多层感知机对点云特征进行分类。将本文模型与PointNet、PointCNN、DGCNN等其他点云分类模型在ModelNet40数据集上进行对比实验,结果表明本文网络的分类效果更好,获得了最高的分类准确率92.9%,相比于PointCNN提升了0.7%。在鲁棒性实验中,本文网络相比于PointCNN,在稀疏点云上的总体分类准确率提升了2.4%,在噪声点云上提升了11.6%,表明本文网络具有更好的鲁棒性。     

结合局部增强与反向残差的点云语义分割网络北大核心CSCD

激光点云是3D传感器的输出,且对它的语义分割任务是理解真实世界的基础。基于图卷积的点云分割网络在许多场景下都展现了优异的性能。然而,现有的图卷积方法存在部分问题:点云局部表示的能力未得到加强,忽略了全局几何信息,并且聚合操作只保留局部最大响应值信息,而次最大值信息丢失。为了处理这些问题,本文提出GRes-Net网络。利用局部几何加强(Local Geometry Augment,LGA)模块,使网络对Z轴具有旋转不变性,以便加强点云局部信息表示;采用全局几何特征(Global Geometry Feature,GGF)模块,计算局部与全局的球体体积比,将其与坐标特征X进行连接,使全局几何信息特征得以保留;通过多个对称聚合操作将局部信息多方面地保留;网络中每层都使用残差操作,将上一层信息传递到下一层,以及利用反向残差模块(Reversed Residual MLP,RevResMLP)挖掘更深层次的语义信息。本文在S3DIS数据集上进行语义场景分割实验,验证网络分割的性能。实验结果表明该方法在分割精度上达到61%,相比于基准网络DGCNN提高14%,有效地提高了模型性能。     

特征自适应融合插值的点云语义分割算法

点云语义分割是场景理解的基础问题。大多数针对大场景点云的语义分割方法精心设计局部特征聚合模块以减少降采样点云过程中的信息损失，然而未能高效地利用多尺度局部特征推理点云语义信息。为此，文中提出一种多尺度特征自适应融合的插值方法，以实现更准确的大场景点云语义分割算法。首先，通过注意力机制的局部特征聚合模块学习点云内部的语义关系，描述局部模式的各项异性；然后，以不同的采样率随机地采样点云产生多尺度的稀疏局部特征图；最后，使用特征自适应融合的插值法代替广泛使用的最近邻插值法，恢复全分辨率的特征图，为原始密度的点云提供更准确的语义信息。在SemanticKITTI和S3DIS两个大场景点云数据集上对所提算法进行评估，结果表明，所提算法的平均交并比（mIoU）分别为54.24%、75.5%，平均准确率（mACC）分别达到88.92%、86.5%，比大多数主流算法的分割效果更加准确。     

基于全局上下文注意力的点云语义分割

点云语义分割是三维环境感知的基础，直接基于点的语义分割方法避免了因点云结构化处理所造成的信息损失，但大多数深度学习模型的研究主要集中在提取局部几何特征，没有考虑点云不同局部结构之间的上下文关系，并且忽略了低级与高级特征之间的语义差距，限制了特征表示的能力，影响了点云语义分割的精度。因此，文中提出一种基于全局上下文注意力的点云语义分割方法，该方法主要由基于外部注意力的全局上下文特征聚合和基于后向竞争性注意力的邻近尺度特征融合两部分组成。通过外部注意力学习不同局部结构之间的长距离依赖关系，从而获得丰富的全局上下文信息。为了进一步增强模型的上下文感知能力，设计基于后向竞争性注意力的邻近尺度特征融合模块，学习低级与高级语义特征之间的相似度，重新为中间特征通道分配权重。在S3DIS大规模室内点云数据集上对所提方法进行评估，结果表明，所提方法的平均交并比在Area5上达到了65.2%，相比于RandLA-Net提高了2.5%，在6折交叉验证上的平均交并比达到了71.4%，相比于RandLA-Net提高了1.4%。证明了所提方法能够有效提取全局上下文特征，提高了语义分割的精度。     

基于Transformer的体素化激光点云目标检测算法

3D点云目标检测是计算机3D视觉中的一个关键技术,本文针对激光雷达点云数据的稀疏性、无序性和数据量大,导致神经网络运算效率慢、检测精度低等问题,开展了基于激光雷达点云的目标检测算法研究。在激光雷达点云数据处理阶段,我们将原始点云数据体素化,解决了点云稀疏性和无序性问题,然后使用多层特征下采样层构建特征金字塔,实验验证了该方法使网络在训练阶段更快收敛,有效减少点云数据量大导致的网络运算开销,网络运算效率提升～39；同时,我们通过引入Transformer注意力模块,提高网络对点云目标关键特征的学习能力,使目标检测的准确率达到885。总体实验结果表明,本文算法在确保检测精度的前提下,提升了网络运算效率。     

基于神经网络的3D点云模型识别的方法

针对点云的三维模型识别方法缺乏局部空间特征,从而影响3D模型的类识别的问题,提出一种基于残差模块的卷积神经网络三维模型识别方法。通过引入残差模块,构建深层神经网络增强点云模型的局部信息,提高物体的识别精度。同时,采用了一种获取多尺度局部空间信息的策略,加快了模型的推理能力。实验证明,算法识别准确率达到了91.5%,加快了模型的推理速度,可应用于对点云模型识别有实时性要求的场景,如：流水线上物体的检测等。     

基于改进的注意力机制残差网络穴盘幼苗分类算法研究

针对SENet的通道注意力机制特征提取单一和分割的幼苗数据集图片存在部分缺失的难点问题,设计了一种基于双通道注意力机制的残差网络。该网络融合通道注意力机制和空间注意力机制模块,可同时获得通道和空间维度特征权重,提升网络的特征学习能力。提出了一种随机擦除方法,来解决分割样本数据中目标部分缺失的难点问题。在自制的穴盘幼苗Plant＿seed数据集上的实验结果表明,在ResNet34残差模块和conv^*＿x模块之间均引入注意力机制模块的改进网络ResNet34+CBAM＿basic＿conv的准确率最优,达到93.8%,同时对数据集部分图片进行随机擦除后,模型分类的错误率下降,验证了所提方法的优异性能。     

融合注意力门控机制的大场景点云语义分割

室外大场景激光点云语义分割已成为3D场景理解、环境感知的关键性技术,在自动驾驶、智能机器人和增强现实(AR)等领域应用广泛。然而大场景的激光点云具有多目标、几何结构复杂,不同地物尺度变化大等特点,使得在稀疏的小目标点云(例如行人、摩托车等)上的分割性能较低。针对上述问题,本文提出一种融合注意力门控机制的室外点云语义分割算法,设计由注意力机制和多尺度上下文特征融合组成的注意力门控单元,提高对激光点云细粒度特征的表达,降低随机降采样过程中点云几何结构特征丢失程度,从而增强了网络对弱小目标的特征获取能力;同时设计基于共享MLP的平均池化单元,进一步简化自注意力局部特征聚合模块,有效地加速网络收敛,能高效地实现大场景点云的语义分割。本文方法在自动驾驶场景室外激光点云数据集SemanticKITTI上的实验表明,与文献RandLA Net相比,收敛速度提升483,平均交并比(mIoU)由539提升至545,提高06,尤其是在小目标上交并比(IoU)均有明显提高,person类和motorcycle类的交并比分别提高08和54。     

基于语义信息补偿全局特征的物体点云分类分割

3D点云数据处理在物体分割、医学图像分割和虚拟现实等领域起到了重要作用。然而现有3D点云学习网络全局特征提取范围小,难以描述局部高级语义信息,进而导致点云特征表述不完整。针对这些问题,提出一种基于语义信息补偿全局特征的物体点云分类分割网络。首先,将输入的点云数据对齐到规范空间,进行数据的输入转换预处理。然后,利用扩张边缘卷积模块提取转换后数据的每一层特征,并叠加生成全局特征。而在局部特征提取时,利用提取到的低级语义信息来描述高级语义信息和有效几何特征,用于补偿全局特征中遗漏的点云特征。最后,融合全局特征和局部高级语义信息得到点云的整体特征。实验结果表明,文中方法在分类和分割性能上优于目前经典和新颖的算法。     

基于空间图卷积的三维点云语义分割

随着科技智能化建设需求的提高，语义分割技术受到图形、图像领域内学者的广泛关注，其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此，提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征，并使用残差网增强特征的传递，对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题，同时，点云深度学习网络中，残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验，实验结果表明，PCGCN在ShapeNet数据集的准确率达到85.1%，在S3DIS数据集的准确率达到81.3%。     

整合图卷积与PointNet的机载激光雷达点云分类

针对三维深度学习网络PointNet中缺少点局部特征描述而导致的分类精度较低的问题,提出了一种整合图卷积模型与PointNet的机载激光雷达点云分类方法。该方法首先通过最小香农熵准则确定点的最优邻域,计算出点云的浅层特征;然后将点云的浅层特征输入深度学习网络中,通过图卷积提取点云局部特征,并将该特征与PointNet提取的点特征、全局特征组合得到特征向量;最后,将上述特征向量输入设计的多层感知机实现点云的准确分类。利用国际摄影测量与遥感协会提供的Vaihingen点云数据集进行了验证,实验结果表明,所提方法相较于PointNet点云分类方法精度提高了9.58个百分点。     

结合物理与几何特性的机载LiDAR数据分类方法EI北大核心CSCD

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。     

残差注意力聚合对偶回归网络超分辨率计算机断层扫描重建

为了改善计算机断层扫描（CT）影像重建质量不高的问题，提出一种基于残差注意力聚合对偶回归网络（RAADRNet）的超分辨率CT重建方法。多特征下采样提取模块（MFDEB）通过平均池化、最大池化和卷积运算完成多特征下采样提取，在多特征融合后嵌入通道学习注意力（CLA）和空间学习注意力（SLA），同时并入前级融合特征提取图像的浅层特征。CLA、SLA分别引入通道权重特征学习以及激活函数1+tanh（）完成特征提取。残差注意力聚合模块（RAAB）通过CLA嵌入残差网络构成的残差通道学习注意力模块（RCLAB）与SLA构成的空间特征融合模块（SFFB）联合提取图像的深层特征。原始网络在浅层特征与通过亚像素卷积放大的深层特征进行特征融合后完成重建。对偶网络进一步约束重建映射函数的解空间。实验表明，所提算法在重建图像的峰值信噪比（PSNR）和结构相似度（SSIM）上都得到了较好的提升。     

基于交叉注意力的三维点云配准研究

由于传感器的噪声以及遮挡等情况造成部分点云缺失,使得三维点云配准算法的精度面临挑战。本文提取全局与局部特征,通过多尺度特征缓解了噪声及不完整点云对于算法精度的影响。同时,使用交叉注意力对两帧点云进行上下文特征匹配以得到变换特征,加强了点云间的特征交互。在ModelNet40数据集上的实验表明,相比于RPM-Net,在对数据加入噪声且缺失部分点云的情况下,本文所述方法的各向异性旋转误差降低31%,平均平移误差降低33%,可以实现高精度和鲁棒性的点云配准。     

基于多残差学习与注意力融合的中值滤波检测

针对小尺寸JPEG压缩图像携带有效信息较少、中值滤波痕迹不明显的问题,提出一种基于多残差学习与注意力融合的图像中值滤波检测算法。该算法将多个高通滤波器与注意力模块相结合,获取带权值的多残差特征图作为特征提取层的输入,特征提取层采用分组卷积形式,对输入的多残差特征图进行多尺度特征提取,融合不同尺度的特征信息,同时采用密集连接方式,每一层卷积的输入来自前面所有卷积层的输出和。实验结果表明,针对小尺寸JPEG压缩图像的中值滤波检测,本文算法比现有算法具有更高的检测精度,且能更有效地检测与定位局部篡改区域。     

高低维双局部特征融合的点云分类分割网络

点云的分类和分割是三维点云网络的基础步骤,是三维重建、目标识别和自动驾驶等研究的关键环节。针对现有三维点云网络进行分类和分割时无法充分利用点云局部信息而导致精度不高的问题,提出了一种高低维双局部特征融合的点云分类分割网络。本文网络利用图卷积提取点云基于位置信息的低维局部特征,并通过注意力机制提取点云基于语义信息的高维局部特征,同时使用多层感知机提取点云的全局特征,通过多个特征融合的方式来提高点云分类和分割的精度。实验结果表明:本文网络在点云分类任务中,总体精度达到934,平均精度达到903;在点云分割任务中,平均交并比达到862;相较于现有的主流网络具有较好的分类和分割精度。同时对于稀疏点云输入的问题,本文网络具有较强的鲁棒性。     

基于RDA-Net模型的遥感影像云与云阴影检测方法

针对目前大多数云与云阴影检测方法容易产生误检、边缘细节丢失严重以及检测不够精确的问题,提出一种基于双注意力卷积神经网络模型(RDA Net)的遥感影像云与云阴影检测方法.模型中引入双注意力模块可以有效捕获全局特征的依赖关系,使用递归残差模块可以避免深层网络出现退化,改进空洞空间金字塔池化模块在不改变特征图尺寸的前提下可以提取图像的多尺度特征.首先对遥感影像数据集进行预处理并制作对应的标签,然后利用高分一号WFV遥感影像数据集进行训练和测试.实验结果表明,所提方法有效提高云与云阴影的检测精度,在复杂条件下仍能获得较好的云与云阴影的边缘细节.     

面向局部学习的点云分割分类网络

在各种3D对象表示中,三维点云越来越受欢迎,其中基于点的方法在各种数据集上都表现出了良好的性能。针对PointNet++只关注了点本身的信息,并未关注相邻点的信息,同时它采用最大池化聚合局部信息,导致丢失次最大值信息。由此,文中提出Con PointNet++网络,该网络利用增强局部信息模块,以关注相邻点的信息,从而增强局部信息特征提取；采用局部注意力机制下的融合池化模块,将最大池化与注意力池化特征信息融合,得到更为丰富的局部特征信息。本文方法在室内数据集 S3DIS的Area_5区域上评估模型语义分割能力,mIoU达552;在数据集ModelNet40上评估模型分类效果,OA达912。与其他方法相比,所提模型性能均有提升,进一步证明了本文方法的有效性。     

基于注意力机制的变电站作业场景三维目标检测

在变电站场景中,作业人员与危险设备的空间距离感知是安全管控任务的基本问题。随着激光雷达和三维（3D）视觉理论的发展,3D点云目标检测可为下游空间距离度量任务提供必要的技术支撑。针对变电站场景下背景复杂、设备遮挡等因素引起的目标检测不准的问题,基于PointNet++模型,在局部特征提取阶段引入改进的注意力模块,提出了一种适用于变电站作业场景的3D目标检测网络PowerNet。首先经过两级局部特征提取,获取每个局部区域中的细粒度特征;其次通过mini-pointnet将所有局部特征编码成特征向量,得到全局特征;最后由全连接层输出预测结果。考虑到变电站点云数据中前景点与背景点数量差距较大,PowerNet采用Focal损失计算分类损失,使网络更加关注前景点特征信息。在自建数据集上的实验结果表明,PowerNet的均值平均精度（mAP）值达到0.735,高于其他模型,可直接在下游安全管控任务中应用。     

基于多头类特定残差注意力和图卷积的多标签图像分类算法

针对ML-GCN中全局最大池化所获得的图像特征对特定类别在不同图像区域上缺乏针对性和丢失图像局部特征信息的问题,提出了类特定残差注意力(CSRA)模块.该模块可以有效捕获不同类别对象所占据的不同空间区域.此外,将提出的类特定残差注意力与图卷积神经网络相结合,提出了基于多头类特定残差注意力与图卷积的多标签图像分类算法(ML-CSRA).首先利用卷积神经网络提取通用的图像特征图,之后将提出的类特定残差注意力扩展为多头形式,并将其应用于通过卷积神经网络提取到的通用图像特征图,提取各个区域对应不同类别的特征.最后将图卷积神经网络提取的标签相关特征与多头类特定残差注意力提取的图像特征结合,得到最后的多标签图像分类结果.在MS-COCO 2014和VOC-2007数据集上的实验结果表明提出算法在所有评估指标上都优于目前已有算法.