-
题名基于改进VoteNet的三维点云苗圃树冠检测方法
- 1
-
-
作者
刘慧
开锦茹
沈跃
王思远
郑鑫澎
徐婕
-
机构
江苏大学电气信息工程学院
-
出处
《农业工程学报》
北大核心
2025年第21期127-135,共9页
-
基金
国家自然科学基金项目(32171908)。
-
文摘
针对果园机器人对小体积目标检测精度较低的问题,该研究提出一种改进VoteNet的三维点云苗圃树冠检测方法。通过将VoteNet非对称特征提取模块替换为对称化特征提取模块(symmetric feature extraction module,SFEM)以增强低维信息获取,在跳跃连接处引入反向注意力特征融合模块(reverse attention feature fusion module,RAFFM)以提升局部特征提取能力,并采用中心点差异损失函数(center point discrepancy loss,CPD-Loss)减小预测框与真实框中心点偏差。在自制苗圃点云数据集上的试验表明,改进模型在IoU阈值为0.25时平均召回率(average recall,AR)和平均精度均值(mean average precision,mAP)分别达到88.06%和55.05%;其中小目标无刺枸骨球的检测AP值从4.40%提高至28.77%。该研究方法能够提升果园机器人在苗圃环境中对树冠目标的感知能力,为智能化苗圃管理提供技术支持。
-
关键词
目标检测
三维
点云
苗圃
votenet
-
Keywords
target detection
three-dimensional
point cloud
nursery
votenet
-
分类号
S723
[农业科学—林木遗传育种]
-
-
题名基于边卷积与瓶颈注意力的点云三维目标检测
被引量：1
- 2
-
-
作者
简英杰
杨文霞
方玺
韩欢
-
机构
武汉理工大学理学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第5期162-171,共10页
-
基金
国家重点研发计划(2020YFA0714200)
国家自然科学基金(11901443)。
-
文摘
点云数据的高度稀疏特性使当前大部分基于点云的三维目标检测算法对点云的局部特征学习不足,且点云数据包含的部分无效信息会干扰目标检测。针对以上问题,提出了一种基于边卷积与瓶颈注意力的三维目标检测模型。首先,构建多层边卷积(Edge Convolution,EdgeConv),针对点云中的每个点,通过寻找特征空间上与其最接近的K个点,以构建K-近邻图结构,并学习点云的多尺度局部特征;其次,设计适用于三维点云数据的瓶颈注意力模块(Bottleneck Attention Module,BAM),每个BAM包括一个通道注意力模块和一个空间注意力模块,用于增强对目标检测有价值的点云信息,提升网络模型的表征能力。网络以VoteNet为基线,多层边卷积和BAM模块依次加入PointNet++网络和投票模块之间。模型在SUN RGB-D和ScanNetV2公共数据集上进行实验,并与13个当前先进的三维目标检测算法进行对比。实验结果表明,对于SUN RGB-D数据集,所提模型在交并比(Intersection over Union,IoU)为0.5时的平均精确率mAP@0.5达到了最高,并在床、椅子、办公桌等6个对象类别(共10个类别)达到最优准确率(AP@0.25);对于ScanNetV2数据集,模型的mAP@0.25和mAP@0.5均达到最优,并在椅子、沙发、照片等10个对象类别(共18个类别)达到了最优准确率(AP@0.25)。与基线VoteNet相比,所提模型在两个数据集上的mAP@0.25分别提升了6.5%和12.9%,消融实验证明了所加入的边卷积模块和瓶颈注意力模块的有效性。
-
关键词
三维目标检测
点云
边卷积
瓶颈注意力模块
votenet
SUN
RGB-D数据集
ScanNetV2数据集
-
Keywords
3D object detection
Point clouds
Edge convolution
Bottleneck attention module
votenet
SUN RGB-D dataset
ScanNetV2 dataset
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名意图注意力引导的小样本3D点云目标检测
- 3
-
-
作者
徐守坤
张路军
石林
刘毅
-
机构
常州大学计算机与人工智能学院、阿里云大数据学院、软件学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第12期288-295,共8页
-
基金
国家自然科学基金青年项目(62001341)
江苏省自然科学基金面上项目(BK20221379)。
-
文摘
现有的点云目标检测方法往往要求严苛的监督式数据集,这带来了人力、物力等方面的挑战。因此提出一种创新性的解决方案,即采用元学习框架来克服大量标注数据的困扰。对小样本学习技术在3D点云目标检测中的应用进行研究。这一方法能够基于有限的新类别标注样本,预测未标注样本的分类,从而在有限数据条件下仍能取得良好效果。引入原型投票网络来学习类别的几何原型以及支持集的类别原型。此外,为了学习点云上下文信息,引入意图注意力机制,以实现更加精准的信息融合。在原型生成方面,为避免点云原型过度依赖最大池化而丧失大量信息,采用平均池化方法来生成原型。与基准数据集上的基线模型相比,该方法呈现出显著且一致的提升效果,为点云目标检测领域的研究和应用提供了有力支持。
-
关键词
点云
目标检测
小样本
投票网络
意图注意力
-
Keywords
point cloud
target detection
few-shot
votenet
intention-attention
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
