本文選題：語(yǔ)義分割 + 點(diǎn)云��； 參考：《南京大學(xué)》2017年碩士論文

【摘要】：三維室外場(chǎng)景的語(yǔ)義分割算法涉及到分割和分類兩個(gè)方面,它的目標(biāo)是將三維點(diǎn)云數(shù)據(jù)分割成物體,并將物體正確地分類。有效的語(yǔ)義分割能夠幫助計(jì)算機(jī)理解三維室外場(chǎng)景的內(nèi)容,同時(shí)為虛擬現(xiàn)實(shí),無(wú)人駕駛和城市建模等應(yīng)用提供巨大的幫助。目前,三維語(yǔ)義分割算法的一個(gè)方向是先分割再分類,但是這樣容易在多個(gè)步驟中產(chǎn)生累積誤差;另一個(gè)方向是利用條件隨機(jī)場(chǎng)同時(shí)進(jìn)行分割與分類,并且能夠利用一些先驗(yàn)知識(shí)來(lái)優(yōu)化結(jié)果。但是這些方法中的條件隨機(jī)場(chǎng)要么只依賴于二階項(xiàng),要么它的高階項(xiàng)所依賴的先驗(yàn)知識(shí)過(guò)于單一和簡(jiǎn)單,無(wú)法刻畫復(fù)雜室外場(chǎng)景中的先驗(yàn)知識(shí)。本文提出了一種基于類別相關(guān)先驗(yàn)知識(shí)的高階條件隨機(jī)場(chǎng)模型。該模型依賴于高階條件隨機(jī)場(chǎng),更關(guān)鍵的是能夠針對(duì)不同類別物體的先驗(yàn)知識(shí),產(chǎn)生對(duì)應(yīng)的高階能量函數(shù)。我們的方法有效地描述三維室外場(chǎng)景中復(fù)雜的統(tǒng)計(jì)信息,以及不同類別物體先驗(yàn)知識(shí)之間的區(qū)別。我們將該模型至于能量函數(shù)最小化的框架之中,并且提出具體的一階,二階和基于類別相關(guān)先驗(yàn)信息的高階能量函數(shù)來(lái)進(jìn)行三維室外場(chǎng)景的語(yǔ)義分割。提出了具體的能量函數(shù)之后,我們探討了能量函數(shù)的優(yōu)化問(wèn)題。對(duì)于二階能量函數(shù),它的優(yōu)化算法比較成熟和高效,例如graph Cuts,和loopy belief propagation。但是對(duì)于高階能量函數(shù),它的優(yōu)化問(wèn)題則是非常具有挑戰(zhàn)性的。本文采用了基于線性規(guī)劃和最大流最小割的原始對(duì)偶能量?jī)?yōu)化算法,有效地解決了高階能量函數(shù)的優(yōu)化問(wèn)題,最終獲得我們?nèi)S室外場(chǎng)景的語(yǔ)義分割結(jié)果。為了驗(yàn)證我們算法的有效性,我們?cè)谝粋�(gè)非常有挑戰(zhàn)性的雷達(dá)數(shù)據(jù)集上測(cè)試我們的算法,并提供定量和定性的結(jié)果。相比于其他方法,我們實(shí)驗(yàn)結(jié)果的平均F1得分達(dá)到0.82,高于其他最新方法的0.73的F1得分。
[Abstract]:The semantic segmentation algorithm of 3D outdoor scene involves two aspects: segmentation and classification. Its goal is to divide 3D point cloud data into objects and classify objects correctly. Effective semantic segmentation can help the computer to understand the content of 3D outdoor scene and provide great help for applications such as virtual reality, driverless and urban modeling. At present, one direction of 3D semantic segmentation algorithm is segmentation and classification, but it is easy to generate cumulative errors in multiple steps, the other is to use conditional random fields to segment and classify simultaneously. And can use some prior knowledge to optimize the results. However, the conditional random fields in these methods are either dependent on the second order terms only, or their higher order terms depend on a priori knowledge which is too simple and simple to depict the prior knowledge in complex outdoor scenes. In this paper, a higher order conditional random field model based on class dependent prior knowledge is proposed. The model depends on higher order conditional random fields, and more importantly, it can generate the corresponding higher order energy function for the prior knowledge of different kinds of objects. Our method effectively describes the complex statistical information in 3D outdoor scenes and the difference between prior knowledge of different classes of objects. We take the model as the framework of minimizing the energy function, and propose specific first-order, second-order and higher-order energy functions based on class dependent prior information to segment 3D outdoor scenes. After putting forward the specific energy function, we discuss the optimization problem of the energy function. For second-order energy functions, its optimization algorithms are more mature and efficient, such as graph cuts and loopy belief propagation. But for higher order energy function, its optimization problem is very challenging. In this paper, the original dual energy optimization algorithm based on linear programming and maximum flow minimum cut is used to solve the optimization problem of high order energy function effectively. Finally, the semantic segmentation results of our 3D outdoor scene are obtained. To verify the effectiveness of our algorithm, we test our algorithm on a very challenging radar dataset and provide quantitative and qualitative results. Compared with other methods, the average F1 score of our experiment is 0.82which is higher than the 0.73 F1 score of other latest methods.
【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP391.9

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李俊;陳代勝;;基于物理的室外場(chǎng)景渲染[J];軟件導(dǎo)刊;2008年02期

2 張敏,劉利雄,賈云得;一種基于圖像區(qū)域系綜分類的室外場(chǎng)景理解方法[J];中國(guó)圖象圖形學(xué)報(bào);2004年12期

3 李忠新,茅耀斌,王執(zhí)銓;一種基于圖像的室外場(chǎng)景天氣模擬技術(shù)框架[J];計(jì)算機(jī)應(yīng)用;2003年02期

4 宋曉宇;馮開(kāi)平;許素霞;;大規(guī)模室外場(chǎng)景漫游中入口問(wèn)題的研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2007年10期

5 小林生煎;迷失[J];電腦技術(shù);2003年09期

6 賈鵬;楊波;;室外場(chǎng)景WLAN無(wú)線參數(shù)優(yōu)化方案研究[J];數(shù)字通信;2014年03期

7 肖志鵬;李實(shí)英;李仁發(fā);;利用圖像的陰影區(qū)域計(jì)算室外場(chǎng)景光源方向[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2012年11期

8 孫巍;劉金義;;基于物體級(jí)BSP樹(shù)的大規(guī)模室外場(chǎng)景渲染[J];微處理機(jī);2010年06期

9 孫磊;張金林;廖明;;視景仿真中大規(guī)模室外場(chǎng)景渲染技術(shù)[J];無(wú)線互聯(lián)科技;2010年02期

10 龐存岐;丘均;蔡聲鎮(zhèn);;大規(guī)模室外場(chǎng)景中漫游實(shí)時(shí)渲染技術(shù)研究[J];福建師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

相關(guān)會(huì)議論文 前2條

1 宋曉宇;馮開(kāi)平;許素霞;梅松青;左宗義;;室外場(chǎng)景編輯器的實(shí)現(xiàn)[A];中國(guó)圖學(xué)新進(jìn)展2007——第一屆中國(guó)圖學(xué)大會(huì)暨第十屆華東六省一市工程圖學(xué)學(xué)術(shù)年會(huì)論文集[C];2007年

2 趙立新;彭望t-;;北京師范大學(xué)珠海分校室外場(chǎng)景實(shí)時(shí)渲染系統(tǒng)的研究和初步試驗(yàn)[A];全國(guó)地圖學(xué)與GIS學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)博士學(xué)位論文 前3條

1 任柯燕;基于機(jī)器視覺(jué)的室外場(chǎng)景圖像理解方法研究[D];北京郵電大學(xué);2012年

2 劉艷麗;室外場(chǎng)景的光照分析研究[D];浙江大學(xué);2009年

3 胡勇;面向室外場(chǎng)景的圖像紋理分析與應(yīng)用研究[D];南京理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 陳光永;室外場(chǎng)景渲染系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2014年

2 唐炳驍;基于高階類別相關(guān)先驗(yàn)知識(shí)的室外場(chǎng)景語(yǔ)義分割研究[D];南京大學(xué);2017年

3 林麗麗;基于室外場(chǎng)景的光照分析[D];山東大學(xué);2012年

4 肖志鵬;基于陰影的室外場(chǎng)景光源方向估計(jì)方法的研究[D];湖南大學(xué);2012年

5 龐存岐;大規(guī)模室外場(chǎng)景實(shí)時(shí)渲染技術(shù)研究[D];福建師范大學(xué);2013年

6 王偉;3D網(wǎng)絡(luò)游戲的設(shè)計(jì)與實(shí)現(xiàn)技術(shù)研究[D];曲阜師范大學(xué);2006年

7 馬翔;室外場(chǎng)景真實(shí)感圖形繪制方法的研究[D];浙江大學(xué);2005年

8 余坤;基于生物學(xué)屬性的草分布技術(shù)研究[D];華中科技大學(xué);2009年

9 魏驍;大規(guī)模室外場(chǎng)景實(shí)時(shí)真實(shí)感渲染引擎架構(gòu)與實(shí)現(xiàn)[D];電子科技大學(xué);2007年

10 溫陽(yáng);游戲中室外場(chǎng)景渲染技術(shù)的實(shí)現(xiàn)[D];北京交通大學(xué);2010年

，

本文編號(hào)：1774523