可乐杀精子第31卷第4期计算机辅助设计与图形学学报Vol.31No.4 2019年4月Journal of Computer-Aided Design & Computer Graphics Apr. 2019轻量级实时点云分类网络LightPointNet小腿瘙痒
白静1,2), 司庆龙1), 秦飞巍3)
1) (北方民族大学计算机科学与工程学院 银川 750021)
2) (宁夏智能信息与大数据处理重点实验室 银川750021)
大便发黑是什么原因3) (杭州电子科技大学计算机学院 杭州 310018)
(baijing_)
摘要: 点云数据的无序性、稀疏性和有限性等特点给基于深度学习的点云模型分类带来了较大的困难. 现有的面向点云的深度学习网络存在模型架构复杂、训练参数较多的问题, 难以适用于实时点云识别任务, 为此提出一种轻量级实时点云网络——LightPointNet. 首先, 基于点云模型的特点及轻量级点云分类网络的设计原则, 提出面向点云模型分类的深度学习网络原型; 然后, 通过控制变量法完成网络参数设置的优化, 形成最终的点云网络LightPointNet.
慷慨近义词
雅思模拟考试该网络结构紧凑, 仅包含3层卷积, 1层池化和1层全连接, 且其参数个数不到0.07M. 实验结果表明, 在Mod
elNet40上, 相比PointNet, VoxNet和LightNet, LightPointNet分类精度分别提高了0.29%, 6.49%和2.59%, 参数量减少了
98.0%, 92.4%和76.6%; 在MINST和SHREC15上, 该网络拥有良好的普适性; 这些结果充分证明了LightPointNet
分类性能良好且计算效率高, 具有轻量级、实时性优点, 可以部署在嵌入式设备中, 在物联网和点云实时处理等方面具有广阔的应用前景.
关键词: 点云; 三维模型分类; 深度学习; 轻量级实时网络
中图法分类号: TP391.41 DOI: 10.3724/SP.J.1089.2019.17328
Lightweight Real-Time Point Cloud Classification Network LightPointNet
mac修改Bai Jing1,2), Si Qinglong1), and Qin Feiwei3)
1) (School of Computer Science and Engineering, North Minzu University, Yinchuan750021)
2) (Ningxia Province Key Laboratory of Intelligent Information and Data Processing, Yinchuan750021)
3) (School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou310018)
Abstract:The disorder, sparness and finiteness of point cloud data make it difficult to classify point cloud models bad on deep learning. The existing point cloud-oriented deep learning networks have the problems of complex model structures and many training parameters, which make it difficult to apply for real-time point cloud recognition tasks. To address the problems, a lightweight real-time point cloud network, LightPointNet, is pro-pod. Firstly, bad on the characteristics of point cloud models and the design principle of lightweight point cloud classification network, a prototype of deep learning network for point cloud model classification is pro-pod. Then, the network parameters are optimized and the final point cloud network LightPointNet is formed using variable-controlling approach. The network is compact in structure, consisting of only 3 layers of convolu-tion, 1 layer of pooling and 1 layer of full connection, and the number of parameters is less than 0.07M. Experi-
收稿日期: 2018-06-15; 修回日期: 2019-01-22. 基金项目: 国家自然科学基金(61762003, 61502129); 宁夏自然科学基金(2018AAC03124); 宁夏高等学校一流学科建设(电子科学与技术: NXYLXK2017A07); 国家民族事业委员会“图像与智能信息处理创新团队”、国家民族事业委员会中青年英才计划(2016GQR08); 浙江省自然科学基金(LQ16F020004); 北方民族大学重点科研项目“面向复杂
产品广义设计的三维模型检索研究”.白静(1982—), 女, 博士, 副教授, 硕士生导师, CCF高级会员，主要研究方向为CAD&CG、机器学习; 司庆龙(1986—), 男, 硕士, 主要研究方向为机器学习; 秦飞巍(1985—), 男, 博士, 副教授, CCF会员, 主要研究方向为CAD&CG、机器学习.项目申请>怒良晴空
