亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于多尺度圖卷積的點(diǎn)云分類網(wǎng)絡(luò)*

        2021-02-22 02:38:26胡永東張正文
        科技創(chuàng)新與應(yīng)用 2021年8期
        關(guān)鍵詞:分類特征信息

        胡永東,張正文,李 婕

        (湖北工業(yè)大學(xué) 電氣與電子工程學(xué)院,湖北 武漢430068)

        1 概述

        傳統(tǒng)的點(diǎn)云分類方法是通過(guò)人工設(shè)計(jì)一系列的特征,然后使用合適的分類器對(duì)三維點(diǎn)云直接進(jìn)行分類[1]。這種分類方法在很多特定場(chǎng)景中取得了成功,但該分類方法只能在特定數(shù)據(jù)集下實(shí)現(xiàn)不錯(cuò)的分類效果,應(yīng)用到新的數(shù)據(jù)集中效果并不是很理想[2]。

        近些年,深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域快速發(fā)展。常用的方法是先將三維點(diǎn)云數(shù)據(jù)進(jìn)行體素化,使其變成規(guī)則的三維網(wǎng)格結(jié)構(gòu)[2],然后使用三維卷積神經(jīng)網(wǎng)絡(luò)對(duì)規(guī)則化后的數(shù)據(jù)進(jìn)行操作。但是隨著點(diǎn)云密度的增長(zhǎng),這種方法所需要的內(nèi)存和計(jì)算量將會(huì)隨分辨率的提高呈三次方增長(zhǎng)。所以該方法只適用于較淺的三維網(wǎng)絡(luò)模型。在2017年,Qi 等提出了PointNet 網(wǎng)絡(luò)[3],通過(guò)使用多層感知器(MLP)學(xué)習(xí)每個(gè)點(diǎn)的高維特征,同時(shí),將最大池化層作為對(duì)稱函數(shù),實(shí)現(xiàn)了對(duì)無(wú)序點(diǎn)云的直接處理,網(wǎng)絡(luò)獲得了不錯(cuò)的分類效果。但PointNet 無(wú)法獲取每個(gè)點(diǎn)的鄰域幾何信息,所以在復(fù)雜的點(diǎn)云場(chǎng)景中使用時(shí),表現(xiàn)不佳。之后,Qi 等又提出了PointNet++[3],該網(wǎng)絡(luò)使用歐氏距離差值法對(duì)點(diǎn)進(jìn)行上采樣,并將插值計(jì)算得到的語(yǔ)義特征與低層學(xué)習(xí)的語(yǔ)義特征融合,從而獲取到每個(gè)點(diǎn)更加豐富的語(yǔ)義特征,但該方法對(duì)局部空間內(nèi)每個(gè)點(diǎn)進(jìn)行的依舊是單獨(dú)處理,仍有部分結(jié)構(gòu)信息的損失。

        近些年,由于圖卷積在二維圖像處理領(lǐng)域獲得了較好的效果。在2018年,Wang 等人提出了一種動(dòng)態(tài)圖卷積神經(jīng)網(wǎng)絡(luò)DGCNN[2],通過(guò)引入邊緣卷積模塊來(lái)獲取到點(diǎn)云數(shù)據(jù)的局部特征,獲得較好的分類效果。然而,該方法只能捕獲到有限鄰域內(nèi)的邊緣特征,缺少多尺度特征,最終還是損失了部分局部幾何信息[4]。

        針對(duì)以上問(wèn)題,本文在提出一種可以獲取多尺度點(diǎn)云局部特征的深度學(xué)習(xí)網(wǎng)絡(luò)。通過(guò)獲取不同范圍內(nèi)等間隔采樣的k個(gè)鄰近點(diǎn),將點(diǎn)云數(shù)據(jù)構(gòu)造成包含頂點(diǎn)和邊信息的圖結(jié)構(gòu)數(shù)據(jù),然后使用圖卷積模塊學(xué)習(xí)其高維度特征。該網(wǎng)絡(luò)的多尺度圖卷積結(jié)構(gòu),既保證了點(diǎn)云的置換不變性,又可以獲取到多個(gè)尺度的局部幾何信息和全局特征。本文網(wǎng)絡(luò)通過(guò)在ModelNet40[5]數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),結(jié)果顯示,網(wǎng)絡(luò)在點(diǎn)云分類準(zhǔn)確度上有所提高。

        2 多尺度圖卷積點(diǎn)云分類網(wǎng)絡(luò)

        2.1 M-KNN

        由于點(diǎn)云本身存在的無(wú)序性、稀疏性,很多網(wǎng)絡(luò)在構(gòu)建大型鄰域圖時(shí),通常會(huì)使用KNN 鄰近算法獲取距離最近的k個(gè)鄰近點(diǎn),從而提取到點(diǎn)云中固定大小的單尺度局部特征信息。然而很多點(diǎn)云數(shù)據(jù)中的物體是以多尺度形式呈現(xiàn)的,所以,這種網(wǎng)絡(luò)并不能獲取到足夠的特征,分類性能相對(duì)較低。本文提出一種M-KNN 多尺度鄰近算法,通過(guò)對(duì)不同范圍內(nèi)的鄰近點(diǎn)進(jìn)行等間隔采樣獲取到k個(gè)點(diǎn),用來(lái)表示點(diǎn)云數(shù)據(jù)不同尺度的局部特征信息,而且該方法不會(huì)增加網(wǎng)絡(luò)的計(jì)算量。

        將一個(gè)具有n個(gè)點(diǎn)的D 維點(diǎn)云表示為:

        其中X 表示一個(gè)點(diǎn)云集合,Xi表示每一個(gè)點(diǎn)。每個(gè)點(diǎn)具有D 維特征,當(dāng)D=3 時(shí),表示每個(gè)點(diǎn)只包含三維坐標(biāo)信息,即xi=(xi,yi,zi)。以點(diǎn)xi為中心,計(jì)算它與每個(gè)點(diǎn)的歐式距離,然后進(jìn)行排序。傳統(tǒng)KNN 鄰近算法是將距離xi最近的k個(gè)點(diǎn)提取出來(lái)作為其鄰近點(diǎn),本文為了達(dá)到提取多尺度局部特征的目的,提出M-KNN 鄰近算法,即在距離xi點(diǎn)最近的前n/m個(gè)點(diǎn)中進(jìn)行等間隔采樣,獲取到k個(gè)鄰近點(diǎn)。m 值的大小表示對(duì)點(diǎn)云集合不同程度的劃分,越小的m 值對(duì)應(yīng)獲取到的k個(gè)鄰近點(diǎn)所表征的鄰域范圍越大。

        2.2 圖卷積模塊

        點(diǎn)云的局部結(jié)構(gòu)可以用一個(gè)有向圖表示:

        其中,V={1,...,n} 表示圖結(jié)構(gòu)的頂點(diǎn),E?V×V 表示圖結(jié)構(gòu)的邊。

        首先,通過(guò)xi及其鄰近點(diǎn)構(gòu)建點(diǎn)云的圖結(jié)構(gòu)G。對(duì)于點(diǎn)xi,其k個(gè)鄰近點(diǎn)(用xji1,...,xjik表示),與鄰近點(diǎn)之間的定向邊為(i,ji1),...,(i,jik)。定義有向圖的邊緣特征為:

        其中,xj-xi代表鄰近點(diǎn)構(gòu)成的局部塊信息。hθ是由可學(xué)習(xí)參數(shù)θ 構(gòu)成的非線性激活函數(shù),這里使用多層感知器(MLP)對(duì)中心點(diǎn)xi的局部信息進(jìn)行提取和學(xué)習(xí)。然后再用一個(gè)最大池化層MaxPooling 來(lái)聚合特征,用來(lái)完成RD×RD→RD′,即輸入具有n個(gè)點(diǎn)的D 維點(diǎn)云,通過(guò)圖卷積后輸出具有D′維點(diǎn)云特征的n個(gè)點(diǎn)。圖卷積模塊(GraphConv)的數(shù)學(xué)表達(dá)式如下:

        2.3 多尺度圖卷積深度網(wǎng)絡(luò)模型

        本文中提出的多尺度圖卷積點(diǎn)云分類網(wǎng)絡(luò)結(jié)構(gòu)的框架如圖1 所示。網(wǎng)絡(luò)中所有卷積核參數(shù)設(shè)置為(1×1),k取值為16。網(wǎng)絡(luò)讀取到點(diǎn)云數(shù)據(jù)后,首先使用兩個(gè)通道數(shù)都為64 的圖卷積模塊提取點(diǎn)云的局部特征,此時(shí)設(shè)置m=n/k=64,即以距離xi最近的k個(gè)點(diǎn)作為鄰近點(diǎn)。然后再對(duì)提取到的點(diǎn)云數(shù)據(jù)的高維特征進(jìn)行多尺度特征提取,分別設(shè)置m=64、32、16、8,逐步擴(kuò)大鄰域范圍,每個(gè)尺度的特征提取都包含兩個(gè)圖卷積模塊,通道數(shù)分別為64、128。然后使用concat 操作將多個(gè)尺度的特征融合,接著再添加一個(gè)通道數(shù)為1024 的卷積層。使用MaxPooling獲取到點(diǎn)云集合中最大的1024 維特征值。

        最后再引入三層全連接層,通道數(shù)分別為:(512,256,c),其中c 表示數(shù)據(jù)集的類別數(shù),即網(wǎng)絡(luò)的最終輸出為c個(gè)類別的語(yǔ)義標(biāo)簽。為了防止網(wǎng)絡(luò)過(guò)擬合,在全連接層中加入了dropout 層,閾值設(shè)置為0.5。

        訓(xùn)練過(guò)程中使用交叉熵?fù)p失函數(shù),表示為:

        其中:M 表示數(shù)據(jù)集中的類別數(shù);yic為指示變量,若該類別和樣本i 相同則為1,否則為0;pic表示樣本i 屬于類別c 的預(yù)測(cè)概率。

        3 實(shí)驗(yàn)與分析

        3.1 數(shù)據(jù)集及實(shí)驗(yàn)環(huán)境

        圖1 多尺度圖卷積網(wǎng)絡(luò)模型

        圖2 分類準(zhǔn)確率隨迭代次數(shù)的變化趨勢(shì)

        本文網(wǎng)絡(luò)使用ModelNet4 數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。ModelNet40 中包含40個(gè)類別的人造物體,共12311個(gè)模型。參照PointNet,均勻采樣1024個(gè)點(diǎn),并且僅將采樣點(diǎn)的坐標(biāo)作為模型的輸入。本文使用Ubuntu18.04 作為系統(tǒng)環(huán)境,Python 版本為2.7,TensorFlow 版本為1.15。

        3.2 結(jié)果分析

        網(wǎng)絡(luò)通過(guò)200 輪迭代學(xué)習(xí),獲得的總體分類準(zhǔn)確度、平均分類準(zhǔn)確度變化趨勢(shì)如圖2 所示。網(wǎng)絡(luò)的總體分類準(zhǔn)確度隨迭代次數(shù)的增加維持在92.8%附近,平均準(zhǔn)確率維持在90.2%附近。

        對(duì)比本文網(wǎng)絡(luò)與現(xiàn)有點(diǎn)云分類網(wǎng)絡(luò)在測(cè)試集上的分類準(zhǔn)確度,結(jié)果如表1 所示:

        表1 ModelNet40 數(shù)據(jù)集上的分類實(shí)驗(yàn)結(jié)果對(duì)比

        根據(jù)表1 結(jié)果顯示,在總體分類準(zhǔn)確度和平均分類準(zhǔn)確度上,本文所提出的網(wǎng)絡(luò)都獲得了較好的性能。在平均分類準(zhǔn)確度上,本文網(wǎng)絡(luò)比PointNet 高出4.2%,比DGCNN 高出1.1%,比GAPNet 高出0.5%。在總體分類準(zhǔn)確度上,本文網(wǎng)絡(luò)比PointNet 高出3.6%,比DGCNN 高出0.6%,比GAPNet 高出0.4%。

        4 結(jié)束語(yǔ)

        本文針對(duì)傳統(tǒng)點(diǎn)云分類網(wǎng)絡(luò)在進(jìn)行特征學(xué)習(xí)時(shí)存在的局部特征不足、多尺度信息缺失等問(wèn)題,提出一種基于多尺度圖卷積的點(diǎn)云分類網(wǎng)絡(luò),通過(guò)獲取不同范圍內(nèi)等間隔采樣的k個(gè)點(diǎn),以搭建不同尺度的圖卷積模塊來(lái)學(xué)習(xí)點(diǎn)云數(shù)據(jù)的多尺度局部特征,最后再將這些特征進(jìn)行融合處理獲得點(diǎn)云分類的結(jié)果。實(shí)驗(yàn)結(jié)果表明,本文所提出的網(wǎng)絡(luò)總體分類準(zhǔn)確度能達(dá)到92.8%,平均分類準(zhǔn)確度能達(dá)到90.2%,相比于其他網(wǎng)絡(luò),本文提出的網(wǎng)絡(luò)分類準(zhǔn)確度更高。

        猜你喜歡
        分類特征信息
        分類算一算
        如何表達(dá)“特征”
        不忠誠(chéng)的四個(gè)特征
        分類討論求坐標(biāo)
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        抓住特征巧觀察
        訂閱信息
        中華手工(2017年2期)2017-06-06 23:00:31
        展會(huì)信息
        線性代數(shù)的應(yīng)用特征
        河南科技(2014年23期)2014-02-27 14:19:15
        国产乱子伦在线观看| 91久久偷偷做嫩模影院| 久久婷婷五月综合色丁香| 男受被做哭激烈娇喘gv视频| 一区二区精品| 麻豆av在线免费观看精品| 久久综网色亚洲美女亚洲av| 国产免费人成视频在线观看| 另类亚洲欧美精品久久不卡| 亚洲视频综合在线第一页| 中文字幕精品一区久久| 日本高清h色视频在线观看| 国产免费专区| 求网址日韩精品在线你懂的| 天堂资源中文网| 久久老子午夜精品无码怎么打| 精品福利一区| 中文字幕在线亚洲精品一区| 三年片免费观看影视大全视频| 国产精品久久久久久妇女6080| 亚洲AV无码中文AV日韩A| 手机在线播放av网址| 久久久久亚洲av无码麻豆| 日韩国产一区| av免费观看在线网站| 亚洲最新无码中文字幕久久| 亚洲日韩精品欧美一区二区| АⅤ天堂中文在线网| 久久这里都是精品99| 亚洲人成网站色www| 国产一区二区三区小说| 国产一区二区三区在线影院| 久久人妻av一区二区软件| 天美麻花果冻视频大全英文版| 天堂av在线免费播放| 久久精品av在线观看| 一二三四在线观看免费视频| 日本a在线天堂| 成人av综合资源在线| 在线欧美中文字幕农村电影| 99国产精品丝袜久久久久|