99在线看视频,久久国产精品精品国产色婷婷,91精品视频在线播放

基于Light-BotNet的激光点云分类研究

2022年电子技术应用第6期

雷根华1，王蕾1，2，张志勇1

1.东华理工大学信息工程学院，江西南昌330013； 2.江西省核地学数据科学与系统工程技术研究中心，江西南昌330013

摘要： 三维点云在机器人与自动驾驶中都有着普遍的应用，深度学习在二维图像上的研究成果显著，但是如何利用深度学习识别不规则的三维点云，仍然是一个开放性的问题。目前大场景点云自身数据的复杂性，点云扫描距离的变化造成点的分布不均匀，噪声和异常点引起的挑战性依然存在。针对于现有的深度学习网络框架对于激光点云数据的分类效率不高以及分类精度低的问题，提出一种基于激光点云特征图像与Light-BotNet相结合的CNN-Transform框架。该框架在于通过对点云数据进行特征提取，以相邻的特征点构造点云特征图像作为网络框架的输入，最后以Light-BotNet为网络框架模型进行点云分类训练。实验结果表明，该方法与现有的多数点云分类方法相比，能够较好地提升激光点云的分类效率以及分类精度。

關鍵詞： 点云特征图像 BotNet Transform CNN 激光点云分类

中圖分類號： TP391
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222725
中文引用格式： 雷根華，王蕾，張志勇. 基于Light-BotNet的激光點云分類研究[J].電子技術應用，2022，48(6)：84-88，97.
英文引用格式： Lei Genhua，Wang Lei，Zhang Zhiyong. Research on laser point cloud classification based on Light-BotNet[J]. Application of Electronic Technique，2022，48(6)：84-88，97.

Research on laser point cloud classification based on Light-BotNet

Lei Genhua1，Wang Lei1，2，Zhang Zhiyong1

1.School of Information Engineering，East China University of Technology，Nanchang 330013，China； 2.Jiangxi Engineering Technology Research Center of Nuclear Geoscience Data Science and System，Nanchang 330013，China

Abstract： Three dimensional point clouds are widely used in robots and automatic driving. The research results of deep learning on two-dimensional images are remarkable, but how to use deep learning to identify irregular three-dimensional point clouds is still an open problem. At present, due to the complexity of the data of the scenic spot cloud itself, the uneven distribution of points caused by the change of the scanning distance of the point cloud, and the challenges caused by noise and abnormal points still exist. Aiming at the problems of low classification efficiency and low classification accuracy of the existing deep learning Network framework for laser point cloud data, a CNN Transform framework based on laser point cloud feature image and Light-BotNet is proposed. The framework is to extract the features of point cloud data, construct the point cloud feature image with adjacent feature points as the input of the network framework, and finally take Light-BotNet as the network framework model for point cloud classification training. The experimental results show that compared with most existing point cloud classification methods, this method can better improve the classification efficiency and accuracy of laser point cloud.

Key words : point cloud feature image；BotNet；Transform；CNN；laser point cloud classification

0 引言

大多的深度學習點云分類方法都是采用卷積層與池化層交替實現的，卷積層中的神經元僅與上一層的部分區域相連接，學習局部特征，在點云數據特征提取時容易丟失部分特征，從而導致分類精度下降等問題。而Transform的提出則帶來了一種新的思路，主要利用自我注意機制提取內在特征^[1-3]。Transform最初應用在自然語言處理(NLP)領域，并且取得了重大的成功，受到NLP中Transformer功能的啟發，研究人員開始將Transformer應用在計算機視覺(CV)任務。研究發現CNN曾是視覺應用的基本組件^[4-5]，但Transformer正在顯示其作為CNN替代品的能力。Chen等人^[6]訓練序列變換器，以自回歸預測像素，并在圖像分類任務上與CNN取得競爭性結果。卷積操作擅長提取細節，但是在大數據量的大場景三維點云數據分類任務中，要掌握三維點云的全局信息往往需要堆疊很多個卷積層，而Transform中的注意力善于把握整體信息，但又需要大量的數據進行訓練。

BotNet^[7]網絡是伯克利與谷歌的研究人員在Convolution+Transformer組合方面一個探索，它采用混合方式同時利用了CNN的特征提取能力、Transformer的內容自注意力與位置自注意力機制，取得了優于純CNN或者自注意力的性能，在ImageNet中取得了84.7%的精度。將CNN與Transform結合起來，達到取長補短的效果。BoTNet與ResNet^[8]網絡框架的不同之處在于：ResNet^[8]框架在最后3個bottleneck blocks中使用的是3×3的空間卷積，而BotNet框架則是采用全局自我注意替代空間卷積。帶自注意力模塊的Bottleneck模塊可以視作Transformer模塊。

本文詳細內容請下載：http://www.tom3567.com/resource/share/2000004426。

作者信息：

雷根華1，王蕾1，2，張志勇1

(1.東華理工大學信息工程學院，江西南昌330013；

2.江西省核地學數據科學與系統工程技術研究中心，江西南昌330013)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容