基于集成学习的强鲁棒性三维点云数据分类研究

• 作者: 王晓红 谌鹏 刘芳 杜景敏 许禾昕 唐丰圆 方加炜
• 来源期刊: 包装工程
• 学科: 工学
• 关键词: 检测 识别 包装 生产 点云分类 集成学习 中心损失 鲁棒性
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 图文信息技术
• 页码范围: 252-258
• 页数: 7页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.19554/j.cnki.1001-3563.2021.03.036

摘要

目的 通过三维扫描仪得到的点云数据往往存在很多异常值,例如噪点、遗失点和外部点等.在这些异常值存在的情况下,为了提高三维点云数据的分类精度,提出一种基于集成学习的强鲁棒性三维点云数据分类方法.方法 提出一种基于最大投票法的集成学习思想,将2个深度神经网络的分类结果进行集成,从而提高网络的泛化性和准确性;采用全局特征增强和中心损失函数来优化神经网络结构,提高分类精度并增强鲁棒性.结果 文中方法缩短模型训练时间至30个迭代次数,且在有噪点、丢失点和外部点的情况下分类精度均得到有效提升.结论 提出的EL-3D算法在含有噪点、丢失点和外部点的情况下,鲁棒性效果要优于目前的点云分类方法.