基于无监督域适应的室外点云语义分割

为处理室外大规模场景中语义分割网络训练需求数据量过大的问题,提出一种基于无监督域自适应的点云语义分割方法。该方法使用改进的RandLA-Net以SPTLS3D真实世界数据集的少量点云作为目标对象进行语义分割。模型在SensatUrban数据集上完成分割网络的预训练,通过缩小源域和目标域之间的域差距来完成模型的迁移。RandLA-Net编码过程会缺失原始点云全局特征,因此本文提出一种额外获取全局信息加入网络解码的方法。此外,为增强差异化信息的获取,RandLA-Net的局部注意力模块权值改为根据各点的特征和其邻域的平均特征的差值。实验显示,该网络在SemanticKITTI数据集上的平均交并比精度达到54.3%,在Semantic3D上的平均交并比精度达到了71.91%。预训练好的模型经过微调后平均交并比精度达到了80.05%,比直接训练的效果好8.83个百分点。     

角鲨烯/γ-环糊精包合物制备及分子模拟

采用水溶液法结合冷冻干燥法制备角鲨烯/γ-环糊精包合物,应用相溶解度法、傅里叶变换红外光谱及氢谱核磁共振对包合物进行表征,并对包合物分子结构进行模拟。结果表明,当角鲨烯过量时,形成的包合物主客物质的量比大多为1∶1;而当γ-环糊精过量时,可形成平均主客物质的量比为3.45∶1的包合物。包合物的分子结构为角鲨烯链状分子将γ-环糊精环状分子均匀地“串联”在一起,且随着主客物质的量比增加,包合物分子结构趋于稳定。由于角鲨烯分子链长所限,理论上最佳主客物质的量比为4∶1。包合物的包合常数随温度升高而增大,在55 ℃条件下最大可达1 778.086 L/mol,且在此温度下最大可使角鲨烯的水溶性提高为原来的309 倍。根据能量变化推断,熵增加是角鲨烯分子进入γ-环糊精空腔的主要驱动力。     

浅议机械自动化技术发展中的几个要点

回顾我国机械自动化技术近些年的发展,是一项理论课题,也是一项实践性课题,具有非常重要的理论意义和现实意义。文章对我国近些年来机械自动化技术发展的经验进行了总结,并提出了几个在发展中应该注意的要点。     

点云上采样方法综述

点云是三维视觉领域常用的数据。然而由于现实条件的局限性，传感器通常只能获得稀疏或带有噪声的点云。点云上采样旨在从稀疏点云中生成稠密点云，为后续分类、分割等任务提供高质量的数据，是当前的重要课题之一。基于此，在介绍各种上采样方法的基础上，着重对基于深度学习实现点云上采样的经典算法进行总结，根据点云上采样的难点和面临的问题，对点云上采样技术未来的发展趋势进行展望。