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
3
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
多模态融合的三维目标检测方法研究
1
作者
田枫
宗内丽
+5 位作者
刘芳
卢圆圆
刘超
姜文文
赵玲
韩玉祥
《计算机工程与应用》
CSCD
北大核心
2024年第13期113-123,共11页
针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体...
针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。
展开更多
关键词
三维目标检测
深度残差网络
体素特征
图像特征
特征融合
双次特征融合网络
下载PDF
职称材料
多模态融合的三维语义分割算法研究
2
作者
晁琪
赵燕东
刘圣波
《红外与激光工程》
EI
CSCD
北大核心
2024年第5期253-267,共15页
如何高效提取稠密感知的图像特征信息以及真实三维感知的点云特征信息并充分利用其各自优势进行信息互补是提升三维目标识别的关键。本文提出了一种图像和点云融合的多模态框架用于三维语义分割任务。图像与点云特征提取分支相互独立,...
如何高效提取稠密感知的图像特征信息以及真实三维感知的点云特征信息并充分利用其各自优势进行信息互补是提升三维目标识别的关键。本文提出了一种图像和点云融合的多模态框架用于三维语义分割任务。图像与点云特征提取分支相互独立,设计深度估计融合网络用于图像分支,将稠密感知的图像语义信息与真值显式监督的深度特征信息有效融合,对点云的无序及稀疏性进行补偿。并改进体素特征提取方法,减少点云体素化带来的信息损失。图像、点云分支提取多尺度特征后通过动态特征融合模块提升网络对关键特征的提取能力,更有效的获取全局特征。同时本文提出点级的多模态融合数据增强策略,提升样本多样性的同时有效缓解样本不均衡问题。在Pandaset公开数据集上进行对比实验,本文的多模态融合框架展现出更优的性能和更强的鲁棒性,尤其在小样本小目标上性能提升更为明显。
展开更多
关键词
图像点云融合
深度估计融合
体素特征
语义分割
数据增强
下载PDF
职称材料
三角网格模型体素特征分割
被引量:
1
3
作者
马元魁
白晓亮
《计算机科学》
CSCD
北大核心
2015年第10期13-15,30,共4页
针对现有机械制造领域网格模型分割结果缺少工程含义的现状,提出了一种三角网格模型体素特征分割方法。首先在对三角网格模型分割的基础上,对由网格分割得到的每个子网格进行曲面类型识别,然后在基本体素及典型结构显著特征表示的基础上...
针对现有机械制造领域网格模型分割结果缺少工程含义的现状,提出了一种三角网格模型体素特征分割方法。首先在对三角网格模型分割的基础上,对由网格分割得到的每个子网格进行曲面类型识别,然后在基本体素及典型结构显著特征表示的基础上,把识别出的曲面集合与基本体素及典型结构进行匹配,从而将分割结果分类为自由曲面、基本体素和复杂体素,实现具有工程含义的体素特征分割。该方法可以降低模型重构的难度,加快模型重构的速度。
展开更多
关键词
三角网格模型
体素特征
匹配
子图同构
下载PDF
职称材料
题名
多模态融合的三维目标检测方法研究
1
作者
田枫
宗内丽
刘芳
卢圆圆
刘超
姜文文
赵玲
韩玉祥
机构
东北石油大学计算机与信息技术学院
出处
《计算机工程与应用》
CSCD
北大核心
2024年第13期113-123,共11页
基金
黑龙江省自然科学基金(LH2021F004)。
文摘
针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。
关键词
三维目标检测
深度残差网络
体素特征
图像特征
特征融合
双次特征融合网络
Keywords
3D
object
detection
deep
residual
network
voxel
features
image
features
featur
e
fusion
double
featur
e
fusion
network
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
多模态融合的三维语义分割算法研究
2
作者
晁琪
赵燕东
刘圣波
机构
北京林业大学工学院
出处
《红外与激光工程》
EI
CSCD
北大核心
2024年第5期253-267,共15页
基金
国家自然科学基金青年科学基金项目(32101590)。
文摘
如何高效提取稠密感知的图像特征信息以及真实三维感知的点云特征信息并充分利用其各自优势进行信息互补是提升三维目标识别的关键。本文提出了一种图像和点云融合的多模态框架用于三维语义分割任务。图像与点云特征提取分支相互独立,设计深度估计融合网络用于图像分支,将稠密感知的图像语义信息与真值显式监督的深度特征信息有效融合,对点云的无序及稀疏性进行补偿。并改进体素特征提取方法,减少点云体素化带来的信息损失。图像、点云分支提取多尺度特征后通过动态特征融合模块提升网络对关键特征的提取能力,更有效的获取全局特征。同时本文提出点级的多模态融合数据增强策略,提升样本多样性的同时有效缓解样本不均衡问题。在Pandaset公开数据集上进行对比实验,本文的多模态融合框架展现出更优的性能和更强的鲁棒性,尤其在小样本小目标上性能提升更为明显。
关键词
图像点云融合
深度估计融合
体素特征
语义分割
数据增强
Keywords
image
point
cloud
fusion
depth
estimation
fusion
voxel
features
semantic
segmentation
data
augmentation
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TN958.98 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
三角网格模型体素特征分割
被引量:
1
3
作者
马元魁
白晓亮
机构
西安工业大学理学院
西北工业大学现代设计与集成制造技术教育部重点实验室
出处
《计算机科学》
CSCD
北大核心
2015年第10期13-15,30,共4页
基金
国家自然科学基金资助项目(11201275)
陕西省教育厅专项科研基金资助项目(2013JK0590)资助
文摘
针对现有机械制造领域网格模型分割结果缺少工程含义的现状,提出了一种三角网格模型体素特征分割方法。首先在对三角网格模型分割的基础上,对由网格分割得到的每个子网格进行曲面类型识别,然后在基本体素及典型结构显著特征表示的基础上,把识别出的曲面集合与基本体素及典型结构进行匹配,从而将分割结果分类为自由曲面、基本体素和复杂体素,实现具有工程含义的体素特征分割。该方法可以降低模型重构的难度,加快模型重构的速度。
关键词
三角网格模型
体素特征
匹配
子图同构
Keywords
Triangular
mesh
models,
voxel
features
,
Matching,
Subgraph
isomorphism
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
多模态融合的三维目标检测方法研究
田枫
宗内丽
刘芳
卢圆圆
刘超
姜文文
赵玲
韩玉祥
《计算机工程与应用》
CSCD
北大核心
2024
0
下载PDF
职称材料
2
多模态融合的三维语义分割算法研究
晁琪
赵燕东
刘圣波
《红外与激光工程》
EI
CSCD
北大核心
2024
0
下载PDF
职称材料
3
三角网格模型体素特征分割
马元魁
白晓亮
《计算机科学》
CSCD
北大核心
2015
1
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