Biblioteca122.739 documentos en línea

Artículo

A New Volumetric CNN for 3D Object Classification Based on Joint Multiscale Feature and Subvolume Supervised Learning ApproachesUna nueva CNN volumétrica para la clasificación de objetos 3D basada en enfoques conjuntos de aprendizaje supervisado de características multiescala y subvolumen

Resumen

El avance de los sensores tridimensionales (3D) RGB-D y LiDAR de bajo coste ha permitido facilitar la obtención del modelo 3D en tiempo real. Sin embargo, la obtención de características 3D intrincadas es crucial para el avance de las clasificaciones de objetos 3D. Los enfoques existentes de CNN basados en vóxeles volumétricos han logrado un progreso notable, pero generan una enorme sobrecarga computacional que limita la extracción de características globales a resoluciones más altas de los objetos 3D. En este artículo, se propone una red neuronal profunda volumétrica 3D de bajo coste para la clasificación de objetos 3D basada en estrategias de aprendizaje supervisado multiescalares y de subvolumen. Nuestra red neuronal profunda propuesta introduce datos 3D, que son preprocesados mediante la implementación de una representación octree de memoria eficiente, y proponemos limitar la profundidad octree de la capa completa a un cierto nivel basado en la resolución de volumen de entrada predefinida para almacenar características de contorno de alta precisión. Las características multiescala se concatenan a partir de profundidades de octree de varios niveles dentro de la red, con el objetivo de generar de forma adaptativa características globales de alto nivel. La estrategia del enfoque de supervisión de subvolúmenes consiste en entrenar la red en subpartes del objeto 3D para aprender características locales. Nuestro marco se ha evaluado con dos repositorios 3D de acceso público. Los resultados experimentales demuestran la eficacia de nuestro método propuesto, en el que la precisión de la clasificación mejora en comparación con los enfoques volumétricos existentes, y el ratio de consumo de memoria y el tiempo de ejecución se reducen significativamente.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento