基于图卷积神经网络的点云语义分割

发布时间：2021-01-13 18:49

　　本文探索了将基于图模型的卷积神经网络应用于不规则的点云数据的方法。本文概括总结了点云数据的特点,综述了目前在不规则的深度学习方法。通过对比各种模型,本文选定了基于图模型的卷积神经网络作为基础模型,并且在此基础上提出了与边特征相关图模型扩散卷积形式以及结构保持的池化形式。这种新的卷积与池化形式能够从数据中学习到有效、泛化能力较强的特征。在具有较高的特征表达能力的同时,这两种形式需要较少的参数与计算量。通过组合这两种基本操作,本文设计了一种新型基于图模型的卷积神经网络,简称为PGNet,并且将其应用于点云数据的语义分割。PGNet以紧凑的模型,较小的计算复杂度得到了鲁邦性、泛化能力较强的特征。为了验证模型的有效性,本文在三份标准公开数据集S3DIS、ScanNet、Semantic3D.Net上进行了测试。在所有数据集上,PGNet均达到或超过了当前已有模型的精确度与召回率。实验结果表明,PGNet具有较好的泛化能力,能够从训练数据中学习到有效的特征进行予以语义分割。 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

图１．１：三維语义识别的广泛应用??

图１．２：不同传感器的价格??

图１．３：本文研究目标设计深度学习模型进行点云语义分割??

【参考文献】：
期刊论文
[1]车载激光扫描数据中多类目标的层次化提取方法[J]. 董震,杨必胜.  测绘学报. 2015(09)
[2]标记点过程用于点云建筑物提取[J]. 徐文学,杨必胜,董震,彭向阳,麦晓明,王珂,高文武.  武汉大学学报(信息科学版). 2014(05)
[3]从车载激光扫描数据中提取复杂建筑物立面的方法[J]. 杨必胜,董震,魏征,方莉娜,李汉武.  测绘学报. 2013(03)



本文编号：2975383