公开(公告)号：CN112085066A

公开(公告)日：2020-12-15

申请号：CN202010812456.3

申请日：2020-08-13

Applicant: 南京邮电大学

Inventor： 高翔 ,  范希明 ,  朱博

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于图卷积神经网络的体素化三维点云场景分类方法，具体包括以下步骤：首先，对视觉传感器获得的场景点云数据进行适应旋转平移变换的体素化处理；接着，对体素内的点云用基于图神经网络谱卷积的方法，将每个点附近点的信息加权至该点，以获得每个点的特征向量；再对体素内每个点按空间距离远近逐个编号，按编号对每个点的特征向量进行最大值池化，并首尾拼接池化结果获得每个体素的特征向量；最后，将体素的特征向量输入全连接网络获得场景类别标签。本发明在一定程度上缓解了谱卷积方法的计算复杂度高的问题，对于点云旋转与平移变换具有一定的鲁棒性。

公开(公告)号：CN115294441A

公开(公告)日：2022-11-04

申请号：CN202211205005.9

申请日：2022-09-30

Applicant: 南京邮电大学

Inventor： 朱博 ,  谢俊哲 ,  范希明 ,  高翔 ,  徐国政 ,  程泽恒 ,  姚子雄

IPC: G06V20/00 ,  G06V10/40 ,  G06V10/42 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 一种由注意力融合三特征的机器人场景识别与解析方法，提出利用物品识别算法中物品特征图进一步精确解析场景中物品信息的方法；提出一种获取物品单体描述信度的方法，并且设计了由物品单体描述信度组成的物品向量；改造了卷积神经网络CNN的全连接层网络，并定义了某个全连接层网络的输出为全局特征；求出卷积神经网络CNN卷积层的输出的格拉姆矩阵，并提出全连接层网络的结构，在输入为格拉姆矩阵时输出为风格特征；利用注意力机制将三种特征进行融合，并将融合注意力向量送进用于分类的全连接层网络，输出即为最终的场景标签。本发明支持整体训练优化，可以解析该场景的物品标签与场景标签，在室内场景解析与场景分类中有较好的结果。

公开(公告)号：CN112085066B

公开(公告)日：2022-08-26

申请号：CN202010812456.3

申请日：2020-08-13

Applicant: 南京邮电大学

Inventor： 朱博 ,  范希明 ,  高翔

IPC: G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明公开了一种基于图卷积神经网络的体素化三维点云场景分类方法，具体包括以下步骤：首先，对视觉传感器获得的场景点云数据进行适应旋转平移变换的体素化处理；接着，对体素内的点云用基于图神经网络谱卷积的方法，将每个点附近点的信息加权至该点，以获得每个点的特征向量；再对体素内每个点按空间距离远近逐个编号，按编号对每个点的特征向量进行最大值池化，并首尾拼接池化结果获得每个体素的特征向量；最后，将体素的特征向量输入全连接网络获得场景类别标签。本发明在一定程度上缓解了谱卷积方法的计算复杂度高的问题，对于点云旋转与平移变换具有一定的鲁棒性。

公开(公告)号：CN115294441B

公开(公告)日：2023-02-10

申请号：CN202211205005.9

申请日：2022-09-30

Applicant: 南京邮电大学

Inventor： 朱博 ,  谢俊哲 ,  范希明 ,  高翔 ,  徐国政 ,  程泽恒 ,  姚子雄

IPC: G06V20/00 ,  G06V10/40 ,  G06V10/42 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种由注意力融合三特征的机器人场景识别与解析方法，提出利用物品识别算法中物品特征图进一步精确解析场景中物品信息的方法；提出一种获取物品单体描述信度的方法，并且设计了由物品单体描述信度组成的物品向量；改造了卷积神经网络CNN的全连接层网络，并定义了某个全连接层网络的输出为全局特征；求出卷积神经网络CNN卷积层的输出的格拉姆矩阵，并提出全连接层网络的结构，在输入为格拉姆矩阵时输出为风格特征；利用注意力机制将三种特征进行融合，并将融合注意力向量送进用于分类的全连接层网络，输出即为最终的场景标签。本发明支持整体训练优化，可以解析该场景的物品标签与场景标签，在室内场景解析与场景分类中有较好的结果。