典型文献
基于椭球拟合的点云旋转不变网络
文献摘要：
点云携带丰富的几何信息,在计算机视觉领域具有独特优势.现有基于深度学习的三维模型分类与分割方法能有效识别固定视角下的物体,但在实际应用中,物体方向未知,使得点云描述存在旋转变换问题,极大影响网络的识别精度.针对点云的旋转性问题,提出一种轻量级的基于椭球拟合的旋转不变网络(point cloud rotation invariant network based on ellipsoid fitting,EFRI-N).设计前置网络模块提取点云的旋转不变特征,包括椭球拟合和特征编码两个部分.通过椭球拟合算法标识原始点云的方向得到旋转不变坐标系,再将原始特征映射到该坐标系中,利用空间信息和角度信息进行编码得到点云的旋转不变特征;为了获取更丰富的几何信息,在分类分割网络中加入多层级的特征连接增强特征传播及复用,提高模型表征能力.采用国际知名公共数据集ModelNet40和ShapeNet Parts进行分类、分割实验,结果表明,该方法在处理旋转点云的任务中优于主流算法,网络识别精度提升了 1％～62.63％不等,并且网络的计算量和参数量都有着数量级的优势.满足单目标场景下对点云旋转不变性的使用要求,具有良好的应用价值.
文献关键词：
点云;深度学习;分类;分割;旋转不变;轻量级
中图分类号：
作者姓名：
黎书玉;张旭东;孙锐;范之国
作者机构：
合肥工业大学计算机与信息学院 合肥 230601
文献出处：
引用格式：
[1]黎书玉;张旭东;孙锐;范之国-.基于椭球拟合的点云旋转不变网络)[J].电子测量与仪器学报,2022(09):111-117
A类：
EFRI,椭球拟合算法
B类：
点云,几何信息,计算机视觉,三维模型分类,分类与分割,分割方法,旋转变换,识别精度,旋转性,轻量级,point,cloud,rotation,invariant,network,ellipsoid,fitting,取点,旋转不变特征,特征编码,始点,坐标系,特征映射,射到,空间信息,角度信息,分类分割,分割网络,多层级,特征传播,复用,模型表征,表征能力,公共数据,ModelNet40,ShapeNet,Parts,流算法,精度提升,计算量,参数量,数量级,单目标,旋转不变性,使用要求
AB值：
0.402502
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。
