發(fā)布時間：2024-07-05 22:16

　　隨著點云數據的獲取方式越來越簡便,對點云數據的處理工作正逐漸成為熱點。雖然現(xiàn)階段已經有許多優(yōu)秀的工作出現(xiàn),但在整體精度和實用性方面依然面臨很大的挑戰(zhàn)。一方面,如何利用深度學習技術進一步提高點云分類精度;另一方面,如何在保證精度的前提下,減少網絡的參數量使得網絡能夠滿足實際應用需要。本文針對點云數據處理工作中存在的上述問題進行了深入研究,提出了新的解決方法,主要工作有如下2點:(1)提出了一種多尺度點云分類網絡Multi-scale Point Cloud Classification Network(MSP-Net),進一步提高點云分類的精度。首先分析了點云的特性,提出了一種新的點云數據局部劃分方法,以點云的不同層次特征作為輸入,獲得不同尺度的局部區(qū)域;然后模擬卷積神經網絡的運作原理,構建了包含4個模塊的多尺度點云分類網絡,最后在標準公開數據集ModelNet10和ModelNet40上進行了測試,驗證了本文算法的可行性及有效性。(2)提出了一個高效的點云分類網絡Efficient Significant Point Clouds Processing Convolutional Ne...

【文章頁數】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
    1.2 國內外研究現(xiàn)狀
    1.3 論文研究內容
    1.4 論文組織結構
第二章 相關理論和技術
    2.1 深度學習
        2.1.1 早期的人工神經網絡
        2.1.2 卷積神經網絡及其結構
    2.2 點云數據及其相關工作
        2.2.1 三維點云
        2.2.2 點云分類的相關工作
    2.3 本章小結
第三章 基于多尺度特征的點云分類網絡MSP-Net
    3.1 引言
    3.2 基于多尺度特征的點云分類算法框架及網絡設計
        3.2.1 局部區(qū)域劃分原則
        3.2.2 多尺度局部區(qū)域劃分算法
        3.2.3 MSP-Net網絡設計
    3.3 基于多尺度特征的點云分類網絡的實驗結果與分析
        3.3.1 對比實驗
        3.3.2 消融實驗及分析
    3.4 本章小結
第四章 基于注意力機制的輕量化點云分類網絡ESP-Net
    4.1 引言
    4.2 注意力機制相關概念
    4.3 原理分析
        4.3.1 顯著性點采樣模塊
        4.3.2 組卷積
        4.3.3 多尺度顯著特征提取塊
    4.4 高效的點云模型處理方法實驗結果與分析
        4.4.1 對比實驗
        4.4.2 消融實驗及分析
    4.5 本章小結
第五章 基于深度學習的點云分類系統(tǒng)設計與實現(xiàn)
    5.1 需求分析
    5.2 軟硬件環(huán)境
    5.3 系統(tǒng)整體框架
    5.4 系統(tǒng)詳細設計與實現(xiàn)
        5.4.1 系統(tǒng)界面
        5.4.2 點云模型分類系統(tǒng)實現(xiàn)
    5.5 系統(tǒng)及性能測試
        5.5.1 功能測試
        5.5.2 性能測試
    5.6 本章小結
第六章 總結和展望
    6.1 總結
    6.2 展望
參考文獻
致謝
個人簡介



本文編號：4001623