基于三维激光与视觉信息融合的地点检索算法研究

发布时间：2022-01-12 05:37

　　自二十世纪四十年代以来,地点检索算法引起了国内外研究者的广泛关注。近年来,由于卷积神经网络强大的特征表达能力以及学习能力,人们逐步认识到在地点检索算法中利用卷积神经网络提取特征是可行而且是必要的。与此同时,三维激光信息被广泛使用于智能驾驶领域,且基于三维激光的地点检索算法已取得较好的性能。但是三维激光地点检索算法易受天气因素的干扰,视觉地点检索算法易受光照变化的影响。因此,将三维激光与视觉信息融入地点检索算法中,将有助于地点检索算法克服上述环境变化因素的影响。本文的主要研究工作如下:（1）针对NetVLAD算法将所有输入的局部特征都进行编码,导致输出的全局向量无法排除弱分辨力特征干扰的问题,本文提出一种改进的NetVLAD算法——MarginNetVLAD。MarginNetVLAD算法相对NetVLAD算法包含了多余聚点,这些聚点通过本文提出的改进的损失函数——余量懒惰四元损失函数,来捕获弱分辨力的局部特征,使得最终生成的全局向量有效去除这些弱分辨力特征的影响。（2）针对常用于地点检索算法的损失函数存在的各种问题,本文提出三种新的损失函数改进方案,并用实验证明了本文提出的损失函数相较... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 地点检索算法发展历程
    1.3 地点检索算法国内外研究现状
        1.3.1 视觉特征提取在地点检索算法上的研究现状
        1.3.2 三维激光特征提取在地点检索算法上的研究现状
        1.3.3 特征编码现状研究现状
        1.3.4 检索算法研究现状
    1.4 本文的主要贡献与创新
    1.5 本论文的结构安排
第二章 基于卷积神经网络的特征提取
    2.1 引言
    2.2 卷积神经网络及其相关理论
        2.2.1 神经元
        2.2.2 前馈神经网络
        2.2.3 卷积层
        2.2.4 池化层
        2.2.5 卷积神经网络
    2.3 基于卷积神经网络特征提取
        2.3.1 VGG16
        2.3.2 PointNet
    2.4 本章小结
第三章 编码器与损失函数的改进
    3.1 引言
    3.2 常用的编码器及其改进
        3.2.1 局部聚合向量(VLAD)
        3.2.2 NetVLAD层的改进方案
    3.3 常用损失函数及其改进
        3.3.1 常用损失函数
        3.3.2 常用损失函数的改进方案
    3.4 基于VGG16与MarginNetVLAD层的视觉地点检索算法
        3.4.1 视觉地点检索算法问题定义
        3.4.2 网络结构
    3.5 基于Pointnet与 MarginNetVLAD层的三维激光地点检索算法
        3.5.1 三维激光地点检索算法的问题定义
        3.5.2 网络结构
    3.6 实验
        3.6.1 实验平台与数据集
        3.6.2 地点检索算法性能评估方法
        3.6.3 数据集处理
        3.6.4 实验结果与分析
    3.7 本章小结
第四章 基于卷积神经网络的融合信息的地点检索算法
    4.1 引言
    4.2 三维激光与视觉信息融合的地点检索算法的问题定义
    4.3 三维激光和视觉信息的融合方案
        4.3.1 三维激光和视觉信息的表层融合
        4.3.2 三维激光和视觉信息的带权重表层融合
        4.3.3 三维激光和视觉信息的MarginNetVLAD层融合
        4.3.4 三维激光和视觉信息的深层融合
    4.4 实验
        4.4.1 融合传感器数据集处理
        4.4.2 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3584203