隨著三維數(shù)據(jù)采集設(shè)備的推廣應(yīng)用,三維數(shù)據(jù)的獲取更加便捷。三維數(shù)據(jù)包含豐富的幾何、形狀和比例信息。如何有效準(zhǔn)確地對(duì)三維數(shù)據(jù)分類、分割、識(shí)別,是目前計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。本文著重分析了基于不同三維模型表示格式的深度學(xué)習(xí)網(wǎng)絡(luò)模型的工作原理,分析了網(wǎng)絡(luò)結(jié)構(gòu)中特征提取方法的優(yōu)缺點(diǎn)。針對(duì)現(xiàn)有深度學(xué)習(xí)網(wǎng)絡(luò)模型存在的訓(xùn)練過程繁雜、缺乏有效的局部信息提取手段等問題,根據(jù)三維數(shù)據(jù)非結(jié)構(gòu)化的特點(diǎn),提出了基于圖卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云模型分類網(wǎng)絡(luò)。本文的工作與成果為:（1）提出了兩種構(gòu)建圖卷積計(jì)算所需的鄰接矩陣的方法,分別是基于K近鄰構(gòu)建鄰接矩陣的方法與利用網(wǎng)格信息構(gòu)建鄰接矩陣的方法。基于K近鄰構(gòu)建鄰接矩陣方法的思路為:針對(duì)點(diǎn)云中的某個(gè)頂點(diǎn),采用k近鄰構(gòu)建該頂點(diǎn)的鄰接關(guān)系;對(duì)所有頂點(diǎn)應(yīng)用該方法得到所有頂點(diǎn)的鄰接關(guān)系,并以此構(gòu)建鄰接矩陣;基于網(wǎng)格信息構(gòu)建鄰接矩陣方法的思路為:首先構(gòu)建一個(gè)n*n（n為頂點(diǎn)數(shù)量）零矩陣,然后通過遍歷網(wǎng)格數(shù)據(jù)中的面片,通過面片中的頂點(diǎn)索引建立鄰接關(guān)系,對(duì)于存在鄰接關(guān)系的頂點(diǎn),在零矩陣中將對(duì)應(yīng)權(quán)值置為1,最終構(gòu)建出鄰接矩陣。（2）為圖卷積提取的三維數(shù)據(jù)特征信息設(shè)計(jì)了分類網(wǎng)絡(luò)模型。首先將鄰... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

感知機(jī)模型

中北大學(xué)學(xué)位論文8感知機(jī)是一個(gè)線性的二分類器，但不能對(duì)非線性數(shù)據(jù)有效的分類。而多層感知機(jī)通過添加激活函數(shù)，如線性整流函數(shù)(RectifiedLinearUnit,ReLU)、徑向基函數(shù)(RadicalBasisFunction，RBF)、Sigmoid函數(shù)、雙曲正切(tanh)函數(shù)等引入非線性因素，其理論上可以擬合任意復(fù)雜的函數(shù)，使得其可以處理感知機(jī)無法解決的線性不可分問題。多層感知機(jī)除去輸入層(InputLayer)和輸出層(OutputLayer)外，至少包括一個(gè)隱藏層(HiddenLayer)，隱藏層由全連接層組成，見圖2-2。圖2-2多層感知機(jī)結(jié)構(gòu)圖Fig2-2Multilayerperceptronstructure2.1.2卷積神經(jīng)網(wǎng)絡(luò)真正意義上的卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks,CNN)是由YannLeCun于1989年提出的LeNet[25]。并于1998年在YannLeCun的博士論文中詳細(xì)闡述了LeNet-5的原理[26]，并應(yīng)用于手寫數(shù)字識(shí)別。但受限于當(dāng)時(shí)的計(jì)算機(jī)硬件發(fā)展水平，沒有足夠規(guī)模的數(shù)據(jù)無法進(jìn)行深度迭代的訓(xùn)練。2006年，Hinton提出的深度置信網(wǎng)絡(luò)(DeepBeliefNetwork,DBN)[27]，使得可以通過額外的預(yù)訓(xùn)練解決傳統(tǒng)多層感知機(jī)或者神經(jīng)網(wǎng)絡(luò)中陷入局部最小值的問題。直到2012年，KrizhevskyA,SutskeverI,HintonGE等人在ImageNetLargeScaleVisualRecognitionChallenge(ILSVRC)圖像分類任務(wù)中提出

中北大學(xué)學(xué)位論文9AlexNet[28]并取得冠軍。隨后提出的GoogLeNet[29]、VGG[30]也分別在ILSVRC競(jìng)賽中得了冠軍和亞軍的優(yōu)秀成績(jī)，至此深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域正式迎來了高速發(fā)展的時(shí)機(jī)。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包含輸入層(Inputlayer)、卷積層(Convolutional)、池化層(Poolinglayer)、全連接層(FullyConnectedLayer)及輸出層五個(gè)部分，卷積層和池化層一般會(huì)交替設(shè)置。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)見圖2.3，卷積神經(jīng)網(wǎng)絡(luò)具有如下特點(diǎn)：（1）權(quán)重共享：同一個(gè)卷積核可以滑動(dòng)在不同位置進(jìn)行卷積操作。（2）局部性：僅和層與層之間的部分節(jié)點(diǎn)有對(duì)應(yīng)關(guān)系。（3）多尺度：通過級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，可以將圖像數(shù)據(jù)不斷采樣以減小數(shù)據(jù)量，從而可以獲得更大的感受野(ReceptiveField)。圖2-3VGG16模型[30]Fig2-3VGG16modelCNN中常見的卷積核類型有一維卷積核,主要用于只有一個(gè)維度的時(shí)間序列提取圖2-4一維卷積Fig2-41DCNN特征，一維數(shù)據(jù)輸入可以具有多個(gè)通道。但卷積核只能沿一個(gè)方向移動(dòng)。單通道1D卷

【參考文獻(xiàn)】：
期刊論文
[1]基于圖卷積的計(jì)算機(jī)輔助設(shè)計(jì)模型分類[J]. 李夢(mèng)吉,韓燮.  科學(xué)技術(shù)與工程. 2020(13)
[2]一種用于點(diǎn)云分類的輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)[J]. 閆林,劉凱,段玫妤.  西安電子科技大學(xué)學(xué)報(bào). 2020(02)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)

博士論文
[1]三角網(wǎng)格模型的分割、評(píng)價(jià)及其應(yīng)用研究[D]. 秦茂玲.山東師范大學(xué) 2013

碩士論文
[1]三維激光點(diǎn)云數(shù)據(jù)的處理及應(yīng)用研究[D]. 孫鈺科.上海師范大學(xué) 2018
[2]基于激光雷達(dá)的車前地形快速測(cè)量方法關(guān)鍵技術(shù)研究[D]. 孫政揚(yáng).吉林大學(xué) 2018
[3]點(diǎn)云數(shù)據(jù)體素建模及表達(dá)方法[D]. 賴廣陵.解放軍信息工程大學(xué) 2017
[4]三維點(diǎn)云數(shù)據(jù)配準(zhǔn)方法研究[D]. 宋景豪.哈爾濱工程大學(xué) 2014
[5]三維點(diǎn)云數(shù)據(jù)配準(zhǔn)方法研究[D]. 陳陽.天津大學(xué) 2014
[6]基于局部時(shí)空特征的人體行為識(shí)別以及打架行為檢測(cè)[D]. 朱啟兵.合肥工業(yè)大學(xué) 2012
[7]逆向工程中的點(diǎn)云處理[D]. 錢錦鋒.浙江大學(xué) 2005



本文編號(hào)：3548229