-
公开(公告)号：CN113221962A
公开(公告)日：2021-08-06
申请号：CN202110428644.0
申请日：2021-04-21
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种解耦分类与回归任务的三维点云单阶段目标检测方法，步骤包括：(1)对于点云进行体素化处理，使数据从无须的点云变成有序的栅格结构，(2)利用三维稀疏卷积进行网络的特征提取从而得到高阶特征图，(3)在特征图中，使用双头的检测器聚合特征并预测出目标的分类、回归框以及方向。本发明为了解决目标检测子任务之间的特征纠缠问题，设计了双头的检测网络结构，能够在高维特征中分别提取分类与回归任务各自关注的特征，分别预测子任务。并且在解耦的基础上，利用联合检测的方法，将两个任务中相关信息相结合，共同预测目标类别。本发明提升了三维目标检测的准确率，并可以很容易的迁移到其他方法中。
-
公开(公告)号：CN113221962B
公开(公告)日：2022-06-21
申请号：CN202110428644.0
申请日：2021-04-21
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/80 , G06V10/44 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种解耦分类与回归任务的三维点云单阶段目标检测方法，步骤包括：(1)对于点云进行体素化处理，使数据从无须的点云变成有序的栅格结构，(2)利用三维稀疏卷积进行网络的特征提取从而得到高阶特征图，(3)在特征图中，使用双头的检测器聚合特征并预测出目标的分类、回归框以及方向。本发明为了解决目标检测子任务之间的特征纠缠问题，设计了双头的检测网络结构，能够在高维特征中分别提取分类与回归任务各自关注的特征，分别预测子任务。并且在解耦的基础上，利用联合检测的方法，将两个任务中相关信息相结合，共同预测目标类别。本发明提升了三维目标检测的准确率，并可以很容易的迁移到其他方法中。
-
公开(公告)号：CN110674829A
公开(公告)日：2020-01-10
申请号：CN201910918980.6
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于图卷积注意网络的三维目标检测方法。(1)对点云进行体素化划分与随机降采样；(2)在每个栅格体素中进行局部特征提取；(3)中间层卷积提取高阶特征图；(4)区域建议网络预测目标的标框、类别以及方向。本发明为了增强每个点与临近点之间的连接关系，提出了一种以边缘卷积形式为基础的引入注意机制的特征提取模块，同时在中间卷积层之后也引入原理相同的注意机制模块，对特征图各个通道进行特征的重新选择从而得到更合理的高阶特征图。本发明提升了点云的目标检测准确率，特别是在遮挡严重的情况下，仍能有良好性能。
-
Patent Agency Ranking
公开(公告)号：CN113298952B
公开(公告)日：2022-07-15
申请号：CN202110652559.2
申请日：2021-06-11
Applicant: 哈尔滨工程大学
Abstract: 本发明属于三维计算机视觉领域，具体涉及到一种基于数据扩容与相似性度量的面向残缺点云分类网络。本发明要解决的问题是如何将将完整的点云分类网络扩展到残缺点云，从而为面向残缺点云的分类问题提供优秀的解决方案。为此本发明在传统的基于点的分类网络的基础上，针对残缺点云提出了一种新的分类网络IPC‑Net，可以基于数据扩容及相似性度量解决残缺点云分类精度低及网络鲁棒性差的问题，此外利用辅助损失函数结合注意力机制帮助解决相关问题。
-
公开(公告)号：CN113657246A
公开(公告)日：2021-11-16
申请号：CN202110931081.7
申请日：2021-08-13
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于自监督学习的三维点云二阶段目标检测方法,包括以下步骤：(1)依据原始点云场景动态的生成重构场景。(2)体素化两个场景。(3)利用3D稀疏卷积和子流型卷积对两个场景进行体征提取。将最后生成的3维特征图投影到2维上。(4)利用原始场景的2维特征生成建议区域。(5)完成自监督代理任务一。(6)完成自监督代理任务二。(7)根据(4)中的建议区域，提取感兴趣区域的特征，并对预测目标的位置进行精修。(8)利用归一化损失系数对自监督任务和目标检测任务进行训练。本发明通过对原始数据进行重构，动态生成重构场景，将这两者用于后续的自监督学习任务和目标检测任务，以提高网络对点云的特征表达能力。
-
公开(公告)号：CN110674829B
公开(公告)日：2023-06-02
申请号：CN201910918980.6
申请日：2019-09-26
Applicant: 哈尔滨工程大学
IPC: G06V20/64 , G06V10/77 , G06V10/44 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/042
Abstract: 本发明提供的是一种基于图卷积注意网络的三维目标检测方法。(1)对点云进行体素化划分与随机降采样；(2)在每个栅格体素中进行局部特征提取；(3)中间层卷积提取高阶特征图；(4)区域建议网络预测目标的标框、类别以及方向。本发明为了增强每个点与临近点之间的连接关系，提出了一种以边缘卷积形式为基础的引入注意机制的特征提取模块，同时在中间卷积层之后也引入原理相同的注意机制模块，对特征图各个通道进行特征的重新选择从而得到更合理的高阶特征图。本发明提升了点云的目标检测准确率，特别是在遮挡严重的情况下，仍能有良好性能。
-
公开(公告)号：CN113657246B
公开(公告)日：2023-11-21
申请号：CN202110931081.7
申请日：2021-08-13
Applicant: 哈尔滨工程大学
IPC: G06V20/56 , G06V10/25 , G06V10/26 , G06V10/80 , G06V10/44 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0895
-
公开(公告)号：CN113298952A
公开(公告)日：2021-08-24
申请号：CN202110652559.2
申请日：2021-06-11
Applicant: 哈尔滨工程大学
Abstract: 本发明属于三维计算机视觉领域，具体涉及到一种基于数据扩容与相似性度量的面向残缺点云分类网络。本发明要解决的问题是如何将将完整的点云分类网络扩展到残缺点云，从而为面向残缺点云的分类问题提供优秀的解决方案。为此本发明在传统的基于点的分类网络的基础上，针对残缺点云提出了一种新的分类网络IPC‑Net，可以基于数据扩容及相似性度量解决残缺点云分类精度低及网络鲁棒性差的问题，此外利用辅助损失函数结合注意力机制帮助解决相关问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
