基于点云数据分类的机载雷达地形坡度勘测

为提高变电站的三维设计效果,需勘测变电站地形坡度.提出基于点云数据分类的机载雷达地形坡度勘测方法.采用机载雷达回波扫描技术采集地形坡度勘测数据.结合像素点跟踪识别法,重构地形坡度勘测过程中三维图像.采用三维光学检测技术采样机载雷达地形坡度勘测点云数据,结合中值滤波法和平均值滤波方法,增强地形坡度点云信息分类结果,获取地...     

Dual attention interactive fine-grained classification network based on data augmentation

The key to fine-grained image classification is to find discriminative regions. Most existing methods only use simple baseline networks or low-recognition attention modules to discover object differences, which will limit the model to finding discriminative regions hidden in images. This article proposes an effective method to solve this problem. The first is a novel layered training method, which uses a new training method to enhance the feature extraction ability of the baseline model. The second step focuses on key regions of the image based on improved long short-term memory (LSTM) and multi-head attention. In the third step, based on the feature map obtained by the dual attention network, spatial mapping is performed by a multi-layer perceptron (MLP). Then the element-by-element mutual multiplication calculation of the channel is performed to obtain a feature map with finer granularity. Finally, the CUB-200-2011, FGVC Aircraft, Stanford Cars, and MedMNIST v2 datasets achieved good performance.     

基于云模型相似度的图像分类方法研究

云模型相似度方法是对象相似性分析的一种重要方法.为提高图像分类的准确性,提出一种基于云模型相似度的图像分类方法.首先给出图像云模型的定义,然后根据云模型方法的逆向云算法对图像云模型特征进行数字特征计算,最后引入云模型相似性测度方法对图像云模型相似性进行测算并确定图像分类.仿真结果表明,文章所提方法可准确地对图像进行分类,且计算效率较高.     

基于生成对抗网络的数据增强方法及应用

对于小样本电磁信号识别,数据增强是一种最为直观的对策。利用生成对抗网络(GAN)产生虚假信号样本,设计粗粒度和细粒度筛选机制对生成信号进行筛选,剔除质量较差的生成信号,实现训练样本集的有效扩充。为验证所提数据增强算法的有效性,在RADIOML2016.04C数据集上进行测试。实验结果表明,本文所提方法对小样本电磁信号识别准确率有较好的提升效果。     

浅谈基于点云数据的房屋三维建模

基于点云数据处理的三维重建技术突破了基于二维投影信息对目标物体建模在几何精度方面的瓶颈,重新构建出准确性更高、真实感更强的三维场景,可应用于工程项目的模拟仿真、规划、结构分析,或GIS展示、虚拟设计、场景还原等领域。因此,如何实现快速且自动化程度较高的真实再现三维模型的重建技术越来越多的受到人们的关注。     

LPPM-Net: Local-aware point processing module based 3D hand pose estimation for point cloud

3D hand pose estimation by taking point cloud as input has been paid more and more attention recently. In this paper, a new module for point cloud processing, named Local-aware Point Processing Module (LPPM), is designed. With the ability to extract local information, it is permutation invariant w.r.t. neighboring points in input point cloud and is an independent module that is easy to be implemented and flexible to construct point cloud network. Based on this module, a LPPM-Net is constructed to estimate 3D hand pose. In order to normalize orientations of the point cloud as well as to maintain diversity properly in a controllable manner, we transform point cloud into an oriented bounding box coordinate system (OBB C.S.) and then rotate it randomly around the principal axis when training. In addition, a simple but effective technique called sampling ensemble is used in the test stage, which compensates for the resolution degradation caused by downsampling and improves the performance without extra parameters. We evaluate the proposed method on three public hand datasets: NYU, ICVL, and MSRA. Results show that our approach has a competitive performance on the three datasets.     

基于空间感知和特征增强的三维点云分类与分割研究

针对直接处理点云数据的深度神经网络PointNet++无法充分学习点云形状信息的问题,提出一种融合空间感知模块和特征增强模块(spatial awareness and feature enhancement,SAFE) 的三维点云分类与分割方法(SAFE-PointNet++) 。首先,设计了空间感知(spatial awareness,SA) 模块,使特征提取网络在特征升维时融合了包含空间结构的权重信息,增强了特征在空间上的表现力。其次,设计了特征增强(feature enhancement,FE) 模块,通过把增强后的几何信息和附加信息拆分并分别进行编码,达到充分利用点云附加信息的目的。实验结果表明,在ModelNet40和S3DIS数据集上,SAFE-PointNet++与其他10种经典网络相比具有更高的分类和分割精度。     

浅谈基于点云数据的房屋三维建模

基于点云数据处理的三维重建技术突破了基于二维投影信息对目标物体建模在几何精度方面的瓶颈,重新构建出准确性更高、真实感更强的三维场景,可应用于工程项目的模拟仿真、规划、结构分析,或GIS展示、虚拟设计、场景还原等领域。因此,如何实现快速且自动化程度较高的真实再现三维模型的重建技术越来越多的受到人们的关注。     

Automatic modulation classification based on AlexNet with data augmentation

Deep learning (DL) requires massive volume of data to train the network. Insufficient training data will cause serious overfitting problem and degrade the classification accuracy. In order to solve this problem, a method for automatic modulation classification ( AMC) using AlexNet with data augmentation was proposed. Three data augmentation methods is considered, i. e. , random erasing, CutMix, and rotation. Firstly, modulated signals are converted into constellation representations. And all constellation representations are divided into training dataset and test dataset. Then, training dataset are augmented by three methods. Secondly, the optimal value of execution probability for random erasing and CutMix are determined. Simulation results show that both of them perform optimally when execution probability is 0.5. Thirdly, the performance of three data augmentation methods are evaluated. Simulation results demonstrate that all augmentation methods can improve the classification accuracy. Rotation improves the classification accuracy by 13.04% when signal noise ratio (SNR) is 2 dB. Among three methods, rotation outperforms random erasing and CutMix when SNR is greater than - 6 dB. Finally, compared with other classification algorithms, random erasing, CutMix, and rotation used in this paper achieved the performance significantly improved. It is worth mentioning that the classification accuracy can reach 90.5% with SNR at 10 dB.     

一种动态特征匹配的部分重叠点云配准方法

点云配准方法能够有效地完成对不同重叠率、不同规模点云间的配准,可确保三维重建模型的精度。针对该问题,提出一种动态特征匹配的部分重叠点云配准方法,首先基于欧氏距离分割法将点云分割为子点云;然后提取子点云特征,考虑到不同点云的规模不同,提取的特征规模也是不同的,提出利用动态时间规整算法(DTW)完成子点云间的映射;最后利用迭代配准算法求取拼接点云间的平移、旋转矩阵,利用该矩阵完成点云间的配准和拼接。实验结果表明,提出的方法能够有效地解决部分重叠点云和不同规模点云的配准问题。     

基于点云配准的工业测量技术研究

对待测产品的测量点云和标准设计点云进行配准,得出产品制造偏差量,进行精度测量评定。先采用主元分析(PCA)法作预匹配,再用随机抽样（RANSAC）算法取重合度高的匹配点对,最后利用最近点迭代（ICP）算法得到高精度的点云配准。其中,采用RANSAC算法得到高重合度的匹配点对,便于得出最优空间坐标转换参数,使得配准精度更高;对抽样次数的估计可以推出点云配准迭代次数,进而有效减少运算时间。实验结果显示算法是有效的。     

基于体素化网格下采样的点云简化算法研究

针对三维点云数据冗余量大、重建时间长、效率低等问题,提出一种基于体素化网格下采样的点云简化算法。该算法首先求出点云数据集的最小三维长方体包围盒,把点云数据划分进三维体素栅格中去;其次计算点云的k邻域,进行曲面法向量估计;然后,在三维体素栅格中选择满足要求的数据点,实现点云下采样;最后,调用Power Crust对下采样点云数据进行曲面重建,在三维可视化类库Visualization Toolkit(VTK)进行显示。实验结果表明,该算法能够加快三维点云数据的重建速度,较好地保持了点云特征,提高曲面重建的效率和鲁棒性,适合实时处理。     

基于标签定位的手持光刀测量点云拼接研究

基于手持光刀法三维测量具有精度高、速度快的优势,针对此法需多次测量获得完整物基金项目:国家自然科学基金项目(No.51405510)资助。体点云数据,提出基于3标签点云拼接算法,分析了3特征点转换算法的数学原理,采用棋盘格标签精确获取了相邻测量的共同特征点,推导了转换矩阵计算方法,提出了拼接精度的检验方法,最后基于标准球和标准平面,检验了算法的应用测量精度。     

基于注意力机制的三维点云目标识别

针对现有基于深度学习方法的三维点云目标识别算法存在多层感知法缺少点间的特征交互、对点云间欧式距离的依赖、未考虑特征通道层面关联性问题,提出一种基于注意力机制的三维点云(PAttenCls)目标识别算法。采用基于点的空间注意力机制,挖掘各点之间的注意力值,实现自适应的云邻域选择;同时采用基于点的通道注意力机制,给特征通道自适应分配权重,实现特征增强。此外,在网络中添加了一个几何均匀化模块,以应对不同局部区域几何结构的不同特征模式。所提算法在ModelNet40数据集上的识别准确率为93.2%,在ScanObjectNN数据集最难子集上的识别准确率为80.9%,并在实测数据上验证了算法的有效性。实验证明了本文所提算法可以更好地提取点云的特征信息,使点云识别结果更加精准。     

基于LiDAR点云的地理电磁环境建模及仿真研究

在复杂地理环境中,不规则的地形和多样化的地表覆盖物会给电波的传播造成较大的影响.针对数字高程模型（Digital Elevation Model,DEM）电磁建模缺少地表覆盖物信息的不足,研究了基于LiDAR点云的地理电磁环境的建模.采用数学形态学方法对格网化后的LiDAR点云数据进行处理,从点云数据中先后提取了地物、地形的信息,在此基础上,对各种地物赋予其相匹配的电磁参数,得到了更为准确的地理电磁环境的模型,并采用抛物方程模型对有真实地表覆盖物环境下的电波传播特性进行了仿真分析.相较于传统的基于DEM的电磁建模,该电磁建模方法能够获取到地形、地物的信息,更全面地考虑到地物对电波传播特性的影响,预测结果也将更加准确有效.     

基于相位相关滤波与点云特征的激光点云配准方法

文中针对激光点云配准效率低和处理时间长的问题,提出一种基于相位相关滤波结合特征的扫描配准方法。扫描配准算法被解耦为旋转匹配与平移匹配两个步骤。在旋转匹配中,霍夫描述符提取的线段特征结合相位相关滤波得到具体的旋转量。平移匹配主要基于点云的边界特征,使用相位相关滤波处理提取到的特征,得到准确的x和y方向的平移量。与传统的迭代最近点(ICP)相比,提出的配准策略在处理静态数据时错误率降低了89.2%,处理时间降低了91.6%。同时,动态数据实验表明提出的方法具有较低的中位数和更好地一致性。     

VirtualActionNet: A strong two-stream point cloud sequence network for human action recognition

In this paper, we propose a strong two-stream point cloud sequence network VirtualActionNet for 3D human action recognition. In the data preprocessing stage, we transform the depth sequence into a point cloud sequence as the input of our VirtualActionNet. In order to encode intra-frame appearance structures, static point cloud technologies are first employed as a virtual action generation sequence module to abstract the point cloud sequence into a virtual action sequence. Then, a two-stream network framework is presented to model the virtual action sequence. Specifically, we design an appearance stream module for aggregating all the appearance information preserved in each virtual action frame. Moreover, a motion stream module is introduced to capture dynamic changes along the time dimension. Finally, a joint loss strategy is adopted during data training to improve the action prediction accuracy of the two-stream network. Extensive experiments on three publicly available datasets demonstrate the effectiveness of the proposed VirtualActionNet.     

基于二值神经网络的大场景点云分类

近年随着3维数据采集技术不断发展,大场景 点云数据的获取越来越方便。目前深 度学习网络框架在2维图像处理领 域越来越成熟,而大场景点云是一种3维无规则化的数据,3维卷积神经网络直接处理大场 景3维数据会存在分类精度低和计 算复杂等问题。因此为了有效解决基于深度学习的点云分类任务中存在的计算时间长和分类 精度低的问题,本文提出基于二值 神经网络的大场景点云分类方法,针对不规则的3维点云数据设计特征值计算方法,基于IR -Net二值神经网络处理输入的点云 特征图像,进一步采用Dynamic ReLU激活函数,提高神经网络的计算效率,最后得出点云分 类结果。实验结果表明,所提出 的方法在Oakland数据集上分类精度达到97.6%,在GML数据集中取得 了92.3%和97.2%的分类精度,实验结果证明Dy -ResNet 能够有效提升了点云分类的精度,减少计算的复杂度,并提高了训练效率。     

TOF点云强度特征匹配迭代最近点配准算法

针对时间飞行(TOF)获取的三维点云数据噪声点多、有效目标在点云中所占比例较小的问题,提出一种适用于TOF点云数据的基于强度特征匹配的迭代最近点配准算法。首先使用强度特征进行有效区域提取,然后对有效区域进行配准,最后使用有效区域的变化矩阵对整个点云数据进行配准。实验结果表明,该方法能在不影响配准速度的情况下,有效提高真实点云配准的精确度。     

一种基于IGA的融合点云和影像的建筑物提取方法

针对精细化实景三维建筑物建模,提出一种基于改进遗传算法（IGA）的建筑物LiDAR点云与正射影像融合提取方法：计算并提取基于点云和影像的特征,实现点云特征空间的扩张;再改进遗传算法选择点云特征,构建并优化特征空间;最后使用SVM分类器实现建筑物点云的精准提取。在ISPRS公开数据集Vaihingen测试数据的试验表明本文方法具有较高的建筑物提取精度;在实际生产数据的实验表明建筑物提取精度较高且稳定,证明了本文方法的先进性和普适性。