CN116912561B 基于多视角自适应图卷积网络的点云数据分类及分割方法 （上海交通大学）_第1页
CN116912561B 基于多视角自适应图卷积网络的点云数据分类及分割方法 （上海交通大学）_第2页
CN116912561B 基于多视角自适应图卷积网络的点云数据分类及分割方法 （上海交通大学）_第3页
CN116912561B 基于多视角自适应图卷积网络的点云数据分类及分割方法 （上海交通大学）_第4页
CN116912561B 基于多视角自适应图卷积网络的点云数据分类及分割方法 （上海交通大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于多视角自适应图卷积网络的点云数据一种基于多视角自适应图卷积网络的点云成器得到自适应旋转后的点云数据并生成三张分别构建得到全局信息图数据和局部信息图数线阶段通过实时采集到的点云数据输入训练后观察视角，根据点云数据的几何特征和空间分2所述的自适应旋转矩阵生成器为带有全连接层和最大池化层的六层串联式神经网络，输出维度为64的全连接层并使用ReLU激活函数，第六层为矩阵QR分解层；全连接层为2.根据权利要求1所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，层为输入维度为3输出维度为64的图卷积层，第二层到第四层均为输入维度为64输出维度3.根据权利要求2所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，4.根据权利要求1所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，5.根据权利要求3或4所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，其特征是，所述的全局特征提取网络和局部特征提取网络中的图卷积层均为Deep,为图卷积层的输出，为图卷积层的偏置，36.根据权利要求1所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，7.根据权利要求1所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，①将功能型神经网络输出头得到的结果与标签计算②将功能型神经网络输出头得到的向量与数据集标签计算交叉熵误差用于监督网络4和基于空域的图卷积神经网络等在处理不同场景和不同类型的点云数据时存在一定的局[0006]所述的自适应旋转矩阵生成器为带有全连接层和最大池化层的六层串联式神经5层为输入维度为3输出维度为64的图卷积层，第二层到第四层均为输入维度为64输出维度[0012]所述的全局特征提取网络和局部特征提取网络中的图卷积层均为DeepGraph输出维度为待分类种类数或点云点数×点云6自适应旋转矩阵：构建自适应旋转矩阵生成器的目的是初步提取并分析点云的全局特征，[0030]步骤三，将步骤二得到的点云数据向三个坐标面投影生成三张如图7所示的多视出维度为64的图卷积层，第二层到第四层均为输入维度为64输出维度也为64的图卷积层，7]。[0043]②将步骤八中得到的向量与数据集标签计算交叉熵误差用于监督网络更好地将应旋转生成器拟合出更接近于单位正交阵的旋转信息，将两个损失函数加和后向后传递，WangY,SunY,LiuZ等在《Dynamicgraphcnnforlearningonpointclouds》([J].Acm8集测试集划分，在测试集上得到的平均实例精度为86.3相较于现有技术提升1.2得[0052]上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论