申请/专利权人:四川大学
申请日:2023-12-06
公开(公告)日:2024-02-02
公开(公告)号:CN117496157A
主分类号:G06V10/26
分类号:G06V10/26;G06V10/40;G06V10/764;G06V10/82;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.23#实质审查的生效;2024.02.02#公开
摘要:本发明公开了一种基于MS模块的相对较小部分点云语义分割方法,包括数据处理模块、神经网络、原始特征预处理模块,Silverman算法模块、FPS算法模块、Meanshift模块、MS特征处理模块和神经网络激活层,数据处理模块处理后的数据进入神经网络,并通过神经网络进行原始特征提取,待原始特征提取后使用原始特征预处理模块根据特征预测结果分批次放入接下模块,后是Silverman算法模块,经Silverman算法模块使用Silverman’srule进行带宽设置后,进入FPS算法模块,在FPS算法模块中进行种子点选取进入Meanshift模块,并依据种子点和相应带宽进行Meanshift处理,原始特征处理模块处理后加权特征进入神经网络激活层,通过反向传播调节权重,优化神经网络学习效果预测结果。
主权项:1.基于MS模块的相对较小部分点云语义分割方法,其特征在于:包括数据处理模块、神经网络、原始特征预处理模块,Silverman算法模块、FPS算法模块、Meanshift模块、MS特征处理模块和神经网络激活层;数据处理模块处理后的数据进入神经网络,并通过神经网络进行原始提取特征的提取,待原始提取特征提取后使用原始特征预处理模块根据特征预测结果分批次放入接下模块,之后是Silverman算法模块,经Silverman算法模块使用Silverman’srule进行带宽设置后,进入FPS算法模块,在FPS算法模块中进行种子点选取进入Meanshift模块,并依据种子点和相应带宽进行Meanshift处理,原始特征处理模块处理后加权特征进入神经网络激活层,通过反向传播调节权重,优化神经网络学习效果预测结果。
全文数据:
权利要求:
百度查询: 四川大学 基于MS模块的相对较小部分点云语义分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。