期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合图卷积和差异性池化函数的点云数据分类分割模型
被引量：
8
1
作者
张新良
付鹏飞
+2 位作者
赵运基
谢恒
王
琬
如
《中国图象图形学报》
CSCD
北大核心
2020年第6期1201-1208,共8页
目的深度网络用于3维点云数据的分类分割任务时,精度与模型在全局和局部特征上的描述能力密切相关。现有的特征提取网络,往往将全局特征和不同尺度下的局部特征相结合,忽略了点与点之间的结构信息和位置关系。为此,通过在分类分割模型...
目的深度网络用于3维点云数据的分类分割任务时,精度与模型在全局和局部特征上的描述能力密切相关。现有的特征提取网络,往往将全局特征和不同尺度下的局部特征相结合,忽略了点与点之间的结构信息和位置关系。为此,通过在分类分割模型中引入图卷积神经网络(graph convolution neural network,GCN)和改进池化层函数,增强局部特征表征能力和获取更丰富的全局特征,改善模型对点云数据的分类分割性能。方法 GCN模块通过K近邻算法构造图结构,利用相邻点对的边缘卷积获取局部特征,在深度网络模型中动态扩展GCN使模型获得完备的局部特征。在池化层,通过选择差异性的池化函数,联合提取多个全局特征并进行综合,保证模型在数据抖动时的鲁棒性。结果在ModelNet40、ShapeNet和S3DIS(stanford large-scale 3D indoor semantics)数据集上进行分类、部分分割以及语义场景分割实验,验证模型的分类分割性能。与PointNet相比,在ModelNet40分类实验中,整体精度和平均分类精度分别提升4%和3.7%;在ShapeNet部分分割数据集和S3DIS室内场景数据集中,平均交并比(mean intersection-over-union, mIoU)分别高1.4%和9.8%。采用不同的池化函数测试结果表明,本文提出的差异性池化函数与PointNet提出的池化函数相比,平均分类精度提升了0.9%,有效改善了模型性能。结论本文改进的网络模型可以有效获取点云数据中的全局和局部特征,实现更优的分类和分割效果。
展开更多
关键词
点云
深度学习
图卷积神经网络(GCN)
差异性池化函数
分类分割
联合特征
原文传递
融合多维空洞卷积算子和多层次特征的深度网络检测算法
被引量：
5
2
作者
张新良
谢恒
+2 位作者
赵运基
王
琬
如
魏胜强
《模式识别与人工智能》
EI
CSCD
北大核心
2020年第10期898-905,共8页
在基于深度网络的目标检测模型中,仅利用串行的卷积操作,模型会缺少描述网络不同层次的细节信息和特征图全局信息的能力,减弱小目标的检测能力,影响检测精度.基于残差网络结构,文中提出融合多维空洞卷积(MDC)算子和多层次特征的深度网...
在基于深度网络的目标检测模型中,仅利用串行的卷积操作,模型会缺少描述网络不同层次的细节信息和特征图全局信息的能力,减弱小目标的检测能力,影响检测精度.基于残差网络结构,文中提出融合多维空洞卷积(MDC)算子和多层次特征的深度网络检测算法.首先设计MDC算子,卷积核具有5种不同的感受野,可获取8种不同语义的特征图,并引入串行网络的特征提取环节,构造特征层.再通过转置卷积操作实现检测层升维,用于级联不同层次的特征层,得到检测层并保证能在最大程度上保留目标的原始特征.最后使用非极大抑制完成检测算法的构建.实验表明,文中算法有效提高目标平均检测精度和小目标的检测能力.
展开更多
关键词
多维空间卷积(MDC)算子
目标检测
转置卷积
细节信息
全局信息
下载PDF
职称材料
题名
融合图卷积和差异性池化函数的点云数据分类分割模型
被引量：
8
1
作者
张新良
付鹏飞
赵运基
谢恒
王
琬
如
机构
河南理工大学电气工程与自动化学院
出处
《中国图象图形学报》
CSCD
北大核心
2020年第6期1201-1208,共8页
基金
国家自然科学基金项目(U1404612)
河南省教育厅项目(13B413037,16A413009,16A470001)
河南理工大学教改项目(2018YJ04)。
文摘
目的深度网络用于3维点云数据的分类分割任务时,精度与模型在全局和局部特征上的描述能力密切相关。现有的特征提取网络,往往将全局特征和不同尺度下的局部特征相结合,忽略了点与点之间的结构信息和位置关系。为此,通过在分类分割模型中引入图卷积神经网络(graph convolution neural network,GCN)和改进池化层函数,增强局部特征表征能力和获取更丰富的全局特征,改善模型对点云数据的分类分割性能。方法 GCN模块通过K近邻算法构造图结构,利用相邻点对的边缘卷积获取局部特征,在深度网络模型中动态扩展GCN使模型获得完备的局部特征。在池化层,通过选择差异性的池化函数,联合提取多个全局特征并进行综合,保证模型在数据抖动时的鲁棒性。结果在ModelNet40、ShapeNet和S3DIS(stanford large-scale 3D indoor semantics)数据集上进行分类、部分分割以及语义场景分割实验,验证模型的分类分割性能。与PointNet相比,在ModelNet40分类实验中,整体精度和平均分类精度分别提升4%和3.7%;在ShapeNet部分分割数据集和S3DIS室内场景数据集中,平均交并比(mean intersection-over-union, mIoU)分别高1.4%和9.8%。采用不同的池化函数测试结果表明,本文提出的差异性池化函数与PointNet提出的池化函数相比,平均分类精度提升了0.9%,有效改善了模型性能。结论本文改进的网络模型可以有效获取点云数据中的全局和局部特征,实现更优的分类和分割效果。
关键词
点云
深度学习
图卷积神经网络(GCN)
差异性池化函数
分类分割
联合特征
Keywords
point cloud
deep learning
graph convolution neural network(GCN)
hybrid pooling function
classification and segmentation
joint feature
分类号
TP391 [自动化与计算机技术—计算机应用技术]
原文传递
题名
融合多维空洞卷积算子和多层次特征的深度网络检测算法
被引量：
5
2
作者
张新良
谢恒
赵运基
王
琬
如
魏胜强
机构
河南理工大学电气工程与自动化学院
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2020年第10期898-905,共8页
基金
河南省高等学校重点科研项目(No.21A120004)
河南省创新型科技人才队伍建设工程(No.CXTD2016054)
+1 种基金
中原高水平人才专项支持计划(No.ZYQR201912031)
河南理工大学基础科研基金项目(No.NSFRF170501)资助。
文摘
在基于深度网络的目标检测模型中,仅利用串行的卷积操作,模型会缺少描述网络不同层次的细节信息和特征图全局信息的能力,减弱小目标的检测能力,影响检测精度.基于残差网络结构,文中提出融合多维空洞卷积(MDC)算子和多层次特征的深度网络检测算法.首先设计MDC算子,卷积核具有5种不同的感受野,可获取8种不同语义的特征图,并引入串行网络的特征提取环节,构造特征层.再通过转置卷积操作实现检测层升维,用于级联不同层次的特征层,得到检测层并保证能在最大程度上保留目标的原始特征.最后使用非极大抑制完成检测算法的构建.实验表明,文中算法有效提高目标平均检测精度和小目标的检测能力.
关键词
多维空间卷积(MDC)算子
目标检测
转置卷积
细节信息
全局信息
Keywords
Multiple Dilated Convolution(MDC)Operator
Target Detection
Transposition Convolution
Detailed Information
Global Information
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合图卷积和差异性池化函数的点云数据分类分割模型
张新良
付鹏飞
赵运基
谢恒
王
琬
如
《中国图象图形学报》
CSCD
北大核心
2020
8
原文传递
2
融合多维空洞卷积算子和多层次特征的深度网络检测算法
张新良
谢恒
赵运基
王
琬
如
魏胜强
《模式识别与人工智能》
EI
CSCD
北大核心
2020
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
