基于卷积神经网络的三维模型分割算法研究与实现
发布时间：2022-07-19 17:54
三维模型分割是进一步理解和分析三维模型的基础,不仅广泛应用在三维模型的变形、简化、检索等研究领域中,在古文物保护、医学检测、几何压缩等模型处理和实际应用中也发挥了重要的作用。目前三维模型的表示方式主要有三角网格和三维点云,点云分割是三维模型分割中的难点。随着深度学习、神经网络的不断发展,国内外研究学者也利用其对点云分割进行了大量的研究,根据对三维形状的分析,利用神经网络高效处理三维数据,卷积神经网络在分割任务中表现突出。针对基于卷积神经网络的点云分割算法如何提高分割的准确率,并减少训练中的内存消耗与运行时间的问题,研究了基于八叉树的卷积神经网络的点云分割算法,完成的主要工作如下:（1）介绍了点云分割在传统算法与深度学习算法上的特点与区别,探讨了三维数据基于体素、流形结构、多视图与原始点云结合深度学习的四类分割方法,阐述了深度学习和卷积神经网络等相关说明。（2）提出了一种基于八叉树的卷积神经网络的点云分割算法,构建了基于Caffe框架的卷积神经网络用于点云分割,将点云体素化并构造高效的八叉树结构,使特征融合后的多维输入特征与点云八叉树信息一并进入卷积神经网络进行训练,利用多层3D卷积结构...
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 选题来源
1.2 课题研究背景和意义
1.3 国内外研究现状
1.3.1 基于传统算法的点云分割算法
1.3.2 基于深度学习的点云分割算法
1.4 论文研究内容及章节安排
1.4.1 论文的研究内容
1.4.2 论文的章节安排
第二章 相关理论
2.1 点云数据简介
2.2 八叉树相关知识
2.2.1 八叉树基本原理
2.2.2 八叉树应用
2.3 深度学习相关理论
2.3.1 神经网络
2.3.2 监督学习
2.3.3 深度学习
2.4 本章小结
第三章 三维形状分割流程及网络结构搭建
3.1 三维形状分割流程
3.2 卷积神经网络
3.2.1 卷积神经网络介绍
3.2.2 卷积神经网络经典模型
3.3 卷积神经网络结构搭建
3.3.1 卷积神经网络结构
3.3.2 网络层次结构
3.4 本章小结
第四章 基于卷积神经网络的点云分割
4.1 数据处理
4.1.1 点云预处理
4.1.2 点云体素化的八叉树结构
4.1.3 输入特征
4.2 卷积神经网络训练和测试
4.2.1 参数设置
4.2.2 训练与测试
4.2.3 CRF优化
4.3 结果评价与对比
4.3.1 实验结果
4.3.2 实验结果对比与分析
4.4 本章小结
第五章 基于卷积神经网络的点云分割系统设计与实现
5.1 系统需求分析
5.2 系统功能设计
5.2.1 系统业务流程
5.2.2 系统功能简介
5.2.3 系统体系结构设计
5.3 点云分割系统实现
5.3.1 系统开发工具及运行环境
5.3.2 系统实现
5.4 测试评价
5.4.1 测试方法与测试环境
5.4.2 系统综合测试
5.5 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来展望
参考文献
攻读硕士学位期间发表的论文及取得的研究成果
致谢
【参考文献】：
期刊论文
[1]基于深浅特征融合的人脸识别[J]. 赵淑欢. 电子技术应用. 2020(02)
[2]基于PCL的3D点云视觉数据预处理[J]. 李朋超,王金涛,宋吉来. 计算机应用. 2019(S2)
[3]基于大数据技术的机载激光雷达点云分类与建模研究[J]. 姚娟,周远舟. 激光杂志. 2019(12)
[4]基于深度学习的点云分割方法综述[J]. 俞斌,董晨,刘延华,程烨. 计算机工程与应用. 2020(01)
[5]Research on cigarette during smoking based on reverse engineering and numerical simulation[J]. Darong Tang,Junzhang Wu,Jinsong Zeng,Wenhua Gao,Liang Du. Chinese Journal of Chemical Engineering. 2019(10)
[6]基于点云内骨架的分割算法[J]. 李仁忠,刘哲闻,刘阳阳. 激光与光电子学进展. 2019(22)
[7]一种改进的主成分分析特征抽取算法:YJ-MICPCA[J]. 谢昆明,罗幼喜. 武汉科技大学学报. 2019(03)
[8]基于骨架的三维点云模型分割[J]. 高天一,韩慧妍,韩燮. 计算机工程与设计. 2019(05)
[9]基于八叉树的均值聚类点云精简方法[J]. 王甲福,秦昊. 自动化应用. 2019(04)
[10]基于转置卷积操作改进的单阶段多边框目标检测方法[J]. 郭川磊,何嘉. 计算机应用. 2018(10)
博士论文
[1]基于超体素的三维数据分割方法研究[D]. 刘晓妮.吉林大学 2019
[2]基于有监督学习的三维几何形状分析[D]. 谢智歌.国防科学技术大学 2015
硕士论文
[1]基于几何特征的三维点云分割算法研究[D]. 侯琳琳.北京交通大学 2019
[2]基于超体素区域增长的点云分割算法研究[D]. 姜媛媛.西安电子科技大学 2017
[3]整合牙颌模型三维重构及其应用研究[D]. 王巧玲.河北科技大学 2016
本文编号：3663874
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 选题来源
1.2 课题研究背景和意义
1.3 国内外研究现状
1.3.1 基于传统算法的点云分割算法
1.3.2 基于深度学习的点云分割算法
1.4 论文研究内容及章节安排
1.4.1 论文的研究内容
1.4.2 论文的章节安排
第二章 相关理论
2.1 点云数据简介
2.2 八叉树相关知识
2.2.1 八叉树基本原理
2.2.2 八叉树应用
2.3 深度学习相关理论
2.3.1 神经网络
2.3.2 监督学习
2.3.3 深度学习
2.4 本章小结
第三章 三维形状分割流程及网络结构搭建
3.1 三维形状分割流程
3.2 卷积神经网络
3.2.1 卷积神经网络介绍
3.2.2 卷积神经网络经典模型
3.3 卷积神经网络结构搭建
3.3.1 卷积神经网络结构
3.3.2 网络层次结构
3.4 本章小结
第四章 基于卷积神经网络的点云分割
4.1 数据处理
4.1.1 点云预处理
4.1.2 点云体素化的八叉树结构
4.1.3 输入特征
4.2 卷积神经网络训练和测试
4.2.1 参数设置
4.2.2 训练与测试
4.2.3 CRF优化
4.3 结果评价与对比
4.3.1 实验结果
4.3.2 实验结果对比与分析
4.4 本章小结
第五章 基于卷积神经网络的点云分割系统设计与实现
5.1 系统需求分析
5.2 系统功能设计
5.2.1 系统业务流程
5.2.2 系统功能简介
5.2.3 系统体系结构设计
5.3 点云分割系统实现
5.3.1 系统开发工具及运行环境
5.3.2 系统实现
5.4 测试评价
5.4.1 测试方法与测试环境
5.4.2 系统综合测试
5.5 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来展望
参考文献
攻读硕士学位期间发表的论文及取得的研究成果
致谢
【参考文献】：
期刊论文
[1]基于深浅特征融合的人脸识别[J]. 赵淑欢. 电子技术应用. 2020(02)
[2]基于PCL的3D点云视觉数据预处理[J]. 李朋超,王金涛,宋吉来. 计算机应用. 2019(S2)
[3]基于大数据技术的机载激光雷达点云分类与建模研究[J]. 姚娟,周远舟. 激光杂志. 2019(12)
[4]基于深度学习的点云分割方法综述[J]. 俞斌,董晨,刘延华,程烨. 计算机工程与应用. 2020(01)
[5]Research on cigarette during smoking based on reverse engineering and numerical simulation[J]. Darong Tang,Junzhang Wu,Jinsong Zeng,Wenhua Gao,Liang Du. Chinese Journal of Chemical Engineering. 2019(10)
[6]基于点云内骨架的分割算法[J]. 李仁忠,刘哲闻,刘阳阳. 激光与光电子学进展. 2019(22)
[7]一种改进的主成分分析特征抽取算法:YJ-MICPCA[J]. 谢昆明,罗幼喜. 武汉科技大学学报. 2019(03)
[8]基于骨架的三维点云模型分割[J]. 高天一,韩慧妍,韩燮. 计算机工程与设计. 2019(05)
[9]基于八叉树的均值聚类点云精简方法[J]. 王甲福,秦昊. 自动化应用. 2019(04)
[10]基于转置卷积操作改进的单阶段多边框目标检测方法[J]. 郭川磊,何嘉. 计算机应用. 2018(10)
博士论文
[1]基于超体素的三维数据分割方法研究[D]. 刘晓妮.吉林大学 2019
[2]基于有监督学习的三维几何形状分析[D]. 谢智歌.国防科学技术大学 2015
硕士论文
[1]基于几何特征的三维点云分割算法研究[D]. 侯琳琳.北京交通大学 2019
[2]基于超体素区域增长的点云分割算法研究[D]. 姜媛媛.西安电子科技大学 2017
[3]整合牙颌模型三维重构及其应用研究[D]. 王巧玲.河北科技大学 2016
本文编号：3663874
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3663874.html
