CN114743007B 一种基于通道注意力与多尺度融合的三维语义分割方法 （湘潭大学）_第1页
CN114743007B 一种基于通道注意力与多尺度融合的三维语义分割方法 （湘潭大学）_第2页
CN114743007B 一种基于通道注意力与多尺度融合的三维语义分割方法 （湘潭大学）_第3页
CN114743007B 一种基于通道注意力与多尺度融合的三维语义分割方法 （湘潭大学）_第4页
CN114743007B 一种基于通道注意力与多尺度融合的三维语义分割方法 （湘潭大学）_第5页
已阅读5页，还剩16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

学US2021142497A1,2021.05.13一种基于通道注意力与多尺度融合的三维开了一种基于通道注意力和多尺度融合的三维点云语义分割方法。首先读取待分割的点云数通过一个大小为k(类别数)的全连接层得到。本道注意力层在通道维度上对点云特征进行重标有相同膨胀率但不同内核大小的空洞卷积并行2步骤6、将多尺度卷积上下文模块输出的特征向量经过由上采样层和单元PointNet网步骤8、通过一个类别数大小为k的全连接层得到k个类的分类分数，进而得到分割结Sij=α(θ(pipj))其中表示构建核K(pi，pj)时Bm的系数，M是权重矩阵的数权重矩阵与ScoreNet预测的位置自适应系数相结合而3.如权利要求1所述的方法，其特征在于，步骤3中，所述通道注意力层由Squeeze、3代表特征通道的重要程度；Reweight将Excitation输出的权重当作每个特征通道的重要ReLU(x)＝max(0,x)为了降低网络模型的复杂程度，提升网络对不同数将输入的通道维数降低为再通过Leaky_ReLU激活函数，随后再用一个Linear函数将数in)outout)其中N为点云数，dilation表示rate；对于不同卷积核大小，为45[0004](1)基于体素的方法:将三维场景划分为体素网格，将原始的三维点云转换成体6[0017]步骤6、将多尺度卷积上下文模块输出的特征向量经过由上采样层和单元[0023](1)本发明采用位置自适应卷积而不是常用的多层感知器来提取点云特征，以动型贡献大的信息进行权重值的增大，反之减小权重(对信息量较小的特征减小其对应的权相同膨胀率但不同内核大小的空洞卷积并行捕获不同尺度的特征并注意力和多尺度融合的三维点云语义分割方法，网络结构如图1所示。与图像分割方法相7[0035]现有的点云数据集主要分为室内场景和室外场景，其中室内数据集包括S3DIS、BnERfnot代表一将权重库中的权重矩阵与ScoreNet预测的位置自适应系数相[0047]最后根据公式(3)将生成的核作用于输入特征，并经过最大池化得到新的特征向8函数将输入的通道维数降低为再通过Leaky_ReLU激活函数，随后再用一个Linear函数始数据上每隔(rate-1)个点云进行采样，从而增大感受野的范围。实际核大小K根据公式9[0078]单元PointNet网络主要由转换网络(T-Net)和多层感知器(MLP)组成。T-Net用来[0085]本实施例采用的数据集为S3DIS数据集，它是从三个不同建筑物的室内环境中收[0086]本实施例在两个GeForceRTX2080TiGPU上训练了150个epo使用初始学习率为0.05的SGD优化器，动量为0.9，权重衰减率为10-4，并使用Linux在选择mIoU(平均交并比)作为评估指标。在S3DIS数据集上各类别的IoU(交并比)如表1所以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；

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