-
公开(公告)号：CN113705582B
公开(公告)日：2022-03-29
申请号：CN202110891468.4
申请日：2021-08-04
Applicant: 南京林业大学
Abstract: 本发明公开了一种建筑立面边缘特征关键点提取方法，属于三维建模领域。本发明首先通过对局部邻域内建立的协方差矩阵的特征值来计算三维点云中每个点的置信度；然后定义三维空间中每个点的梯度，再将三维点云的梯度信息编码为结构张量；结构张量的特征值可以表示局部点云的梯度分布情况，从而将建筑物点云的立面特征提取问题转换为分析结构张量的三个特征值的问题；将每个点的置信度和结构张量作为双阈值法的输入，判断当前被处理点是否为关键点；最后采用边缘细化算法对边缘特征点进行细化处理。本发明所提出的算法不仅精度高于现有直接从三维中提取边缘特征的方法，也优于基于Canny算子到二维图像进行边缘提取和细化的方法。
-
Patent Agency Ranking
公开(公告)号：CN113705582A
公开(公告)日：2021-11-26
申请号：CN202110891468.4
申请日：2021-08-04
Applicant: 南京林业大学
Abstract: 本发明公开了一种建筑立面边缘特征关键点提取方法，属于三维建模领域。本发明首先通过对局部邻域内建立的协方差矩阵的特征值来计算三维点云中每个点的置信度；然后定义三维空间中每个点的梯度，再将三维点云的梯度信息编码为结构张量；结构张量的特征值可以表示局部点云的梯度分布情况，从而将建筑物点云的立面特征提取问题转换为分析结构张量的三个特征值的问题；将每个点的置信度和结构张量作为双阈值法的输入，判断当前被处理点是否为关键点；最后采用边缘细化算法对边缘特征点进行细化处理。本发明所提出的算法不仅精度高于现有直接从三维中提取边缘特征的方法，也优于基于Canny算子到二维图像进行边缘提取和细化的方法。
-
公开(公告)号：CN111275077A
公开(公告)日：2020-06-12
申请号：CN202010030688.3
申请日：2020-01-13
Applicant: 南京林业大学
Abstract: 本发明提出的是一种机载激光雷达点云多视角特征联合学习下的语义标注方法，包括如下步骤：(1)多视角点云特征提取；(2)多视角特征联合学习的特征映射与分类模型的构建；(3)对所构建模型的优化求解方法；(4)基于多视角特征融合的点云语义分割。本发明提出一种基于标签和多空间局部分布一致性约束的点云多视角特征联合学习点云分类算法。该算法利用少量训练样本点训练模型，引入特征空间和位置空间局部分布一致性约束、多视角预测标签与真值标签一致性约束和多视角预测标签之间一致性约束，利用流形学习方法进行多视角特征子空间联合学习。本发明利用迭代算法联合求解优化多个视角的特征映射矩阵，能够获得无冗余信息、低噪声且更具判别性的特征和最优线性分类器，进而有效融合分类多视角特征。
-
公开(公告)号：CN111275052A
公开(公告)日：2020-06-12
申请号：CN202010030687.9
申请日：2020-01-13
Applicant: 南京林业大学
Abstract: 本发明提出的是一种基于多层次聚合特征提取与融合的点云分类方法，包括如下步骤：(一)多层次点集的构建；(二)基于LLC-LDA的点集特征提取；(三)基于多尺度最大池化(LLC-MP)的点集特征提取；(四)基于多层次点集特征融合的点云分类。本发明提出一种基于多尺度最大池化和latent Dirichlet allocation(LDA)的多层次点集聚合特征提取与融合方法，并基于融合的聚合特征实现点云分类。本发明算法通过多层次聚类，自适应获取多层次多尺度目标点集，通过局部线性约束稀疏编码(Locality-constrained Linear Coding，LLC)表达点云单点特征，利用点坐标构建尺度金字塔，并基于最大池化方法构造能够表征点集局部分布的特征，然后融合该特征与LLC-LDA模型提取点集全局特征，最终利用融合的点集多层次聚合特征实现点云分类。
-
公开(公告)号：CN114092697B
公开(公告)日：2022-05-06
申请号：CN202111318277.5
申请日：2021-11-09
Applicant: 南京林业大学
IPC: G06V10/26 , G06V20/17 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了注意力融合全局和局部深度特征的建筑立面语义分割方法，通过设计顾及方向和位置编码的局部特征编码，强化局部特征聚合，增强门窗边界点的边缘特征和立面点的局部特征；通过融入全局Transformer感知模块，捕获门窗上下文全局特征，推理建筑立面门窗的几何位置结构和结构布局，从密度变化不均、含有噪声和离值点且数据缺失的建筑立面点云中正确识别出边缘特征不显著的门窗；基于注意力机制融合局部特征和全局特征。
-
公开(公告)号：CN114092697A
公开(公告)日：2022-02-25
申请号：CN202111318277.5
申请日：2021-11-09
Applicant: 南京林业大学
IPC: G06V10/26 , G06V20/17 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了注意力融合全局和局部深度特征的建筑立面语义分割方法，通过设计顾及方向和位置编码的局部特征编码，强化局部特征聚合，增强门窗边界点的边缘特征和立面点的局部特征；通过融入全局Transformer感知模块，捕获门窗上下文全局特征，推理建筑立面门窗的几何位置结构和结构布局，从密度变化不均、含有噪声和离值点且数据缺失的建筑立面点云中正确识别出边缘特征不显著的门窗；基于注意力机制融合局部特征和全局特征。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
