典型文献
基于Light-BotNet的激光点云分类研究
文献摘要：
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.
文献关键词：
点云特征图像;BotNet;Transform;CNN;激光点云分类
中图分类号：
作者姓名：
雷根华;王蕾;张志勇
作者机构：
东华理工大学信息工程学院,江西南昌330013;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
文献出处：
引用格式：
[1]雷根华;王蕾;张志勇-.基于Light-BotNet的激光点云分类研究)[J].电子技术应用,2022(06):84-88,97
A类：
BotNet,激光点云分类,点云特征图像
B类：
Light,分类研究,三维点云,自动驾驶,二维图像,大场景点云,点云扫描,扫描距离,分布不均匀,异常点,深度学习网络,网络框架,激光点云数据,效率不高,分类精度,Transform,特征点,造点,框架模型,行点,分类训练,数点,分类方法
AB值：
0.215375
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
