-
公开(公告)号：CN110135227B
公开(公告)日：2022-06-03
申请号：CN201810136661.5
申请日：2018-02-09
Applicant: 电子科技大学
Abstract: 本发明涉及一种基于机器学习的激光点云室外场景自动分割方法，包括：将数据库中每一类体素数据按大致相同的比例提取出来并存储至训练集和验证集并将所有数据压缩；再将压缩后的训练数据集和验证集导入三维卷积神经网络中进行运算，从而提取各类地物的特征向量；通过每一类地物的特征向量与实际值之间代价函数来反馈调节深度神经网络的权重值，反复迭代直到代价函数小于设定阈值为止，然后可以得到一个存储着最优权重值的模型；然后利用空间信息和深度信息使用邻域算法做优化处理，这样既可以将去掉的体素点也做好分类，又能优化之前粗分类结果，从而实现细分类，并大大提高了场景分割的准确性和效率。
-
公开(公告)号：CN110414577A
公开(公告)日：2019-11-05
申请号：CN201910639585.4
申请日：2019-07-16
Applicant: 电子科技大学
Inventor： 邓建华 , 余坤 , 申睿涵 , 孙一鸣 , 周群芳 , 钱璨 , 王云 , 何子远 , 俞泉泉 , 常为弘 , 陈翔 , 罗凌云 , 魏傲寒 , 俞婷 , 肖正欣 , 邓力恺 , 王韬 , 杨远望 , 游长江
Abstract: 本发明公开了一种基于深度学习的激光雷达点云多目标地物识别方法，涉及点云识别方法领域；其包括：将点云场景依次进行区域分割、特征表示和标记标签后，获得包括若干个三维空间的点云数据；建立包括输入层、N层卷积层、全连接层和Softmax函数的网络模型，输入数据集中的测试集，训练上述模型获取最优模型后，将数据集中测试集输入最优模型获得识别结果；根据深度信息和高层差、电力塔在电力线旁边的空间关系和相邻三维空间之间的关系，查找疑似误分类的点后重新进行分类，获取最终的识别结果；本发明解决现有神经网络因点云具有海量性、稀疏性和无序性导致计算量大、特征提取困难、识别准确率低的问题。
-
公开(公告)号：CN110135227A
公开(公告)日：2019-08-16
申请号：CN201810136661.5
申请日：2018-02-09
Applicant: 电子科技大学
Abstract: 本发明涉及一种基于机器学习的激光点云室外场景自动分割方法，包括：将数据库中每一类体素数据按大致相同的比例提取出来并存储至训练集和验证集并将所有数据压缩；再将压缩后的训练数据集和验证集导入三维卷积神经网络中进行运算，从而提取各类地物的特征向量；通过每一类地物的特征向量与实际值之间代价函数来反馈调节深度神经网络的权重值，反复迭代直到代价函数小于设定阈值为止，然后可以得到一个存储着最优权重值的模型；然后利用空间信息和深度信息使用邻域算法做优化处理，这样既可以将去掉的体素点也做好分类，又能优化之前粗分类结果，从而实现细分类，并大大提高了场景分割的准确性和效率。
-
-
Search Results
3
records
(took 0.01 seconds)
