基于深度学习的点云分类技术研究

发布时间：2024-07-05 22:16

　　随着点云数据的获取方式越来越简便,对点云数据的处理工作正逐渐成为热点。虽然现阶段已经有许多优秀的工作出现,但在整体精度和实用性方面依然面临很大的挑战。一方面,如何利用深度学习技术进一步提高点云分类精度;另一方面,如何在保证精度的前提下,减少网络的参数量使得网络能够满足实际应用需要。本文针对点云数据处理工作中存在的上述问题进行了深入研究,提出了新的解决方法,主要工作有如下2点:(1)提出了一种多尺度点云分类网络Multi-scale Point Cloud Classification Network(MSP-Net),进一步提高点云分类的精度。首先分析了点云的特性,提出了一种新的点云数据局部划分方法,以点云的不同层次特征作为输入,获得不同尺度的局部区域;然后模拟卷积神经网络的运作原理,构建了包含4个模块的多尺度点云分类网络,最后在标准公开数据集ModelNet10和ModelNet40上进行了测试,验证了本文算法的可行性及有效性。(2)提出了一个高效的点云分类网络Efficient Significant Point Clouds Processing Convolutional Ne...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 论文研究内容
    1.4 论文组织结构
第二章 相关理论和技术
    2.1 深度学习
        2.1.1 早期的人工神经网络
        2.1.2 卷积神经网络及其结构
    2.2 点云数据及其相关工作
        2.2.1 三维点云
        2.2.2 点云分类的相关工作
    2.3 本章小结
第三章 基于多尺度特征的点云分类网络MSP-Net
    3.1 引言
    3.2 基于多尺度特征的点云分类算法框架及网络设计
        3.2.1 局部区域划分原则
        3.2.2 多尺度局部区域划分算法
        3.2.3 MSP-Net网络设计
    3.3 基于多尺度特征的点云分类网络的实验结果与分析
        3.3.1 对比实验
        3.3.2 消融实验及分析
    3.4 本章小结
第四章 基于注意力机制的轻量化点云分类网络ESP-Net
    4.1 引言
    4.2 注意力机制相关概念
    4.3 原理分析
        4.3.1 显著性点采样模块
        4.3.2 组卷积
        4.3.3 多尺度显著特征提取块
    4.4 高效的点云模型处理方法实验结果与分析
        4.4.1 对比实验
        4.4.2 消融实验及分析
    4.5 本章小结
第五章 基于深度学习的点云分类系统设计与实现
    5.1 需求分析
    5.2 软硬件环境
    5.3 系统整体框架
    5.4 系统详细设计与实现
        5.4.1 系统界面
        5.4.2 点云模型分类系统实现
    5.5 系统及性能测试
        5.5.1 功能测试
        5.5.2 性能测试
    5.6 本章小结
第六章 总结和展望
    6.1 总结
    6.2 展望
参考文献
致谢
个人简介



本文编号：4001623