發(fā)布時(shí)間：2020-04-05 01:22

【摘要】：二維圖像的分類作為計(jì)算機(jī)視覺(jué)與圖像處理領(lǐng)域的基礎(chǔ)和核心,近年來(lái)隨著深度學(xué)習(xí)的不斷進(jìn)步實(shí)現(xiàn)了長(zhǎng)足的發(fā)展。我們生活在三維立體空間中,每時(shí)每刻都在感受和觸碰著周圍的立體物體。三維物體相對(duì)于二維圖像增加了一個(gè)維度,帶來(lái)的是更多的視覺(jué)信息、幾何信息、位置信息。但是又正是多出的這一個(gè)維度,使得卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在三維領(lǐng)域當(dāng)中時(shí)網(wǎng)絡(luò)的體積會(huì)成倍增長(zhǎng),無(wú)論是存儲(chǔ)量還是計(jì)算量都不是現(xiàn)有的硬件設(shè)備可以承受的。而且在現(xiàn)實(shí)生活中,不像手機(jī)可以隨時(shí)拍攝二維圖片,獲取三維數(shù)據(jù)的設(shè)備還沒(méi)有得到普及,得到的三維數(shù)據(jù)存在著數(shù)量少、質(zhì)量差的特點(diǎn),顯然對(duì)其直接使用卷積神經(jīng)網(wǎng)絡(luò)分類是無(wú)法實(shí)現(xiàn)的。本文以實(shí)現(xiàn)用深度學(xué)習(xí)的方法解決三維點(diǎn)云物體的識(shí)別問(wèn)題為目的,提出了一種將孿生網(wǎng)絡(luò)框架運(yùn)用于解決點(diǎn)云識(shí)別的網(wǎng)絡(luò),它可以解決在研究過(guò)程出現(xiàn)的識(shí)別真實(shí)場(chǎng)景下獲取的點(diǎn)云數(shù)據(jù)出現(xiàn)的過(guò)擬合問(wèn)題,以及小規(guī)模數(shù)據(jù)集下堆疊式的卷積神經(jīng)網(wǎng)絡(luò)性能不佳的問(wèn)題。本文主要工作如下:(1)對(duì)比了不同數(shù)據(jù)集下堆疊式的卷積神經(jīng)網(wǎng)絡(luò)與驗(yàn)證式的孿生網(wǎng)絡(luò)在圖像分類領(lǐng)域的效果,展示出孿生網(wǎng)絡(luò)在樣本總量少、樣本類別多而每個(gè)類別中樣本數(shù)量少、不同類別樣本間的差異小等多種情況下的優(yōu)越性。孿生網(wǎng)絡(luò)是一種度量?jī)蓚�(gè)樣本間相似性的網(wǎng)絡(luò)框架,不同于堆疊式的卷積神經(jīng)網(wǎng)絡(luò)需要大規(guī)模的訓(xùn)練數(shù)據(jù)集和堆積出的網(wǎng)絡(luò)深度,而在規(guī)模小、類間差異小的數(shù)據(jù)集樣本情況下,依然可以在同類別樣本之間做出更精準(zhǔn)的匹配。(2)使用數(shù)據(jù)歸一化和數(shù)據(jù)增強(qiáng)的方式來(lái)提升PointNet對(duì)真實(shí)場(chǎng)景下點(diǎn)云數(shù)據(jù)分類的準(zhǔn)確率。PointNet將卷積神經(jīng)網(wǎng)絡(luò)直接作用在點(diǎn)云上實(shí)現(xiàn)三維物體的分類,解決了點(diǎn)云在數(shù)量上和點(diǎn)的順序上不固定以及一些點(diǎn)的缺失和噪聲問(wèn)題。而對(duì)于真實(shí)場(chǎng)景下拍攝得到的點(diǎn)云樣本,PointNet對(duì)其識(shí)別效果不佳。本文通過(guò)對(duì)比實(shí)驗(yàn)分析出了其中的原因,并經(jīng)過(guò)對(duì)輸入點(diǎn)云歸一化和利用模擬的真實(shí)場(chǎng)景點(diǎn)云樣本擴(kuò)充數(shù)據(jù)集的方法對(duì)PointNet在真實(shí)場(chǎng)景下的分類性能進(jìn)行了改進(jìn)。(3)提出了基于孿生網(wǎng)絡(luò)的3D點(diǎn)云分類識(shí)別算法。由于獲取三維數(shù)據(jù)的硬件設(shè)備還不夠成熟,在現(xiàn)實(shí)中能獲取的點(diǎn)云樣本數(shù)量很少,甚至無(wú)法滿足正常卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。本文設(shè)計(jì)了一種將能夠解決小規(guī)模樣本訓(xùn)練的孿生網(wǎng)絡(luò)與進(jìn)行3D點(diǎn)云分類的PointNet結(jié)合的網(wǎng)絡(luò),即PointNet based on SiameseNet,實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ),作為小規(guī)模點(diǎn)云樣本識(shí)別問(wèn)題的解決方案,進(jìn)一步提高了真實(shí)場(chǎng)景下點(diǎn)云識(shí)別的準(zhǔn)確率。
【圖文】：

緣和輪廓信息，將其表示成簡(jiǎn)單形狀。接下來(lái)是對(duì)顏色信息敏感的 V4 皮層中的神經(jīng)元對(duì)信號(hào)進(jìn)行處理。最終復(fù)雜物體在 IT 皮層被表示出來(lái)。圖2.1 視覺(jué)皮層的層次結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)最初就是受到視覺(jué)神經(jīng)機(jī)制的啟發(fā)。它是由多個(gè)卷積層堆積而成，每個(gè)卷積層中含有多個(gè)卷積核，將這些卷積核從上至下、從左至右依次掃描整個(gè)圖像，得到稱為特征圖（feature map）的輸出數(shù)據(jù)。網(wǎng)絡(luò)前面的卷積層捕捉圖像的

第二章 深度學(xué)習(xí)相關(guān)理論基礎(chǔ)下采樣的操作，特征圖數(shù)量不變，但每個(gè)特征圖變?yōu)橛?14×14 個(gè)神經(jīng)元組成經(jīng)元對(duì)應(yīng)一個(gè) 2×2 的感受野、一個(gè)可訓(xùn)練的參數(shù)、一個(gè)可訓(xùn)練的偏置和一個(gè)�？捎�(xùn)練參數(shù)和偏置控制著對(duì)神經(jīng)元的激活。在第三個(gè)隱藏層進(jìn)行第二次卷到 20 個(gè)特征圖，每個(gè)特征圖由 10×10 個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元同樣對(duì)應(yīng) 的感受野。在第四個(gè)隱藏層實(shí)現(xiàn)第二次的下采樣操作，特征圖的數(shù)量同樣不個(gè)特征圖由 5×5 個(gè)神經(jīng)元組成，并以與第一次下采樣相似的方式操作。在第層實(shí)現(xiàn)最后一次卷積操作得到120個(gè)神經(jīng)元，每個(gè)神經(jīng)元對(duì)應(yīng)一個(gè)5×5的感受六個(gè)隱藏層實(shí)現(xiàn)全連接操作，它由 84 個(gè)神經(jīng)元組成，，每一個(gè)神經(jīng)元都與上每個(gè)神經(jīng)元進(jìn)行連接。最后是輸出層，它由 10 個(gè)神經(jīng)元組成，在每個(gè)神經(jīng)一層中的每個(gè)神經(jīng)元進(jìn)行連接后，對(duì)結(jié)果進(jìn)行輸出。在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)每過(guò)程中，隨著空間分辨率的下降，特征圖的數(shù)量在不斷增加，雖然整個(gè)網(wǎng)絡(luò)100000 個(gè)神經(jīng)元之間的連接，但是只有大約 2600 個(gè)參數(shù)。這得益于同一層中間的權(quán)值共享，在減少參數(shù)數(shù)量的同時(shí)可以有效地提高網(wǎng)絡(luò)的泛化能力。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王雯;任小玲;陳逍遙;;一種改進(jìn)的區(qū)域增長(zhǎng)彩色3D點(diǎn)云分割算法[J];國(guó)外電子測(cè)量技術(shù);2018年11期

2 陳華臻;高健;;面向反光工件點(diǎn)云缺陷的點(diǎn)云增強(qiáng)算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2019年07期

3 馬東嶺;王曉坤;李廣云;;一種基于高度差異的點(diǎn)云數(shù)據(jù)分類方法[J];測(cè)繪通報(bào);2018年06期

4 楊澤鑫;程效軍;丁瓊;程小龍;;面向室內(nèi)場(chǎng)景點(diǎn)云的對(duì)象重建[J];測(cè)繪通報(bào);2017年06期

5 翁福洲;黃鶴;;快速點(diǎn)云定向數(shù)學(xué)模型實(shí)際精度分析[J];北京測(cè)繪;2017年04期

6 琚俏俏;王令文;;基于自適應(yīng)切片的點(diǎn)云壓縮算法[J];工程勘察;2017年09期

7 許寧;鐘友玲;;地面三維激光掃描點(diǎn)云重建技術(shù)研究[J];數(shù)碼世界;2017年08期

8 龔書林;;三維激光點(diǎn)云處理軟件的若干關(guān)鍵技術(shù)[J];測(cè)繪通報(bào);2014年06期

9 徐守乾;朱延娟;;稀疏點(diǎn)云的曲面重構(gòu)[J];中國(guó)制造業(yè)信息化;2011年03期

10 梁新合;梁晉;郭成;曹巨明;;法向約束的多幅點(diǎn)云數(shù)據(jù)融合算法[J];西安交通大學(xué)學(xué)報(bào);2009年05期

相關(guān)會(huì)議論文 前10條

1 牛雪娟;劉景泰;孫雷;;基于小波變換的柵格點(diǎn)云多分辨率分析[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

2 楊雪春;;反求工程建模中點(diǎn)云切片技術(shù)研究[A];全國(guó)先進(jìn)制造技術(shù)高層論壇暨第八屆制造業(yè)自動(dòng)化與信息化技術(shù)研討會(huì)論文集[C];2009年

3 趙小祥;劉寶武;;車載點(diǎn)云中建筑物快速提取方法[A];地理信息與人工智能論壇暨江蘇省測(cè)繪地理信息學(xué)會(huì)2017年學(xué)術(shù)年會(huì)論文集[C];2017年

4 張舒;謝艾伶;白志輝;王響雷;;三維激光掃描點(diǎn)云粗差剔除方法研究[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

5 解輝;張愛(ài)武;孟憲剛;;機(jī)載激光點(diǎn)云快速繪制方法[A];第二十五屆全國(guó)空間探測(cè)學(xué)術(shù)研討會(huì)摘要集[C];2012年

6 李文濤;韋群;楊海龍;;基于圖像的點(diǎn)云生成和預(yù)處理[A];2011年全國(guó)通信安全學(xué)術(shù)會(huì)議論文集[C];2011年

7 吳新橋;王昊;楊家慧;;面向電網(wǎng)巡檢的點(diǎn)云高精度配準(zhǔn)算法研究[A];生態(tài)互聯(lián) 數(shù)字電力——2019電力行業(yè)信息化年會(huì)論文集[C];2019年

8 童艷麗;施昆;李志杰;;機(jī)載激光點(diǎn)云與影像的融合與分類技術(shù)研究[A];云南省測(cè)繪地理信息學(xué)會(huì)2016年學(xué)術(shù)年會(huì)論文集[C];2016年

9 馬國(guó)慶;陶萍萍;楊周旺;;點(diǎn)云空間曲線的微分信息計(jì)算及匹配方法[A];第四屆全國(guó)幾何設(shè)計(jì)與計(jì)算學(xué)術(shù)會(huì)議論文集[C];2009年

10 江倩殷;劉忠途;李熙瑩;;一種有效的點(diǎn)云精簡(jiǎn)算法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 楊靜;私企的天空有點(diǎn)云[N];山西經(jīng)濟(jì)日?qǐng)?bào);2001年

2 記者 張瑩瑩;指點(diǎn)云嶺 激揚(yáng)文字[N];云南政協(xié)報(bào);2012年

3 商報(bào)記者 張緒旺;盤點(diǎn)云計(jì)算：概念眾多 能力存疑[N];北京商報(bào);2011年

4 記者 王力中 通訊員 沈惠芳;世界頂尖點(diǎn)云掃描設(shè)備技術(shù)入駐德清[N];湖州日?qǐng)?bào);2015年

5 曹裕華 高化猛 江鴻賓;激光點(diǎn)云 亦真亦幻[N];解放軍報(bào);2013年

6 VAR記者 張林才　郭宏遠(yuǎn) 彭敏;點(diǎn)云成金[N];電腦商報(bào);2011年

7 高衛(wèi)松　蔡列飛;武大師生兩論文獲美國(guó)攝影測(cè)量與遙感學(xué)會(huì)獎(jiǎng)[N];中國(guó)測(cè)繪報(bào);2014年

8 記者 祝桂峰 通訊員 張榮;構(gòu)建“智慧廣州”又添新技術(shù)[N];中國(guó)礦業(yè)報(bào);2012年

9 張立本 彭桂輝;航測(cè)局四項(xiàng)科研成果通過(guò)鑒定[N];中煤地質(zhì)報(bào);2014年

10 本報(bào)記者 李樹(shù)

本文編號(hào)：2614335