声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：黄华,卜一凡,许宏丽,王晓荣,
关键词：计算机视觉, 点云分割, 对比学习, 自注意力机制, 边界挖掘,
基于深度学习的点云分割算法通过设计复杂的特征提取模块，可以对高维空间点云进行有效的分割.但由于缺乏对边界点集的特征挖掘，使得其对边界分割的精度欠佳.已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中，忽略了点云无序和稀疏特性，特征提取不够准确.对此，设计了基于对比学习和标签挖掘的点云分割模型CL2M(contrastivelearninglabelmining)，通过自注意力机制学习不同位置处点云更为精准的特征，并引入对比学习方法，提高了点云边界处的分割精度.在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块，使得高维空间点云标签分布包含更多的语义信息.CL2M充分利用标签的分布规律计算分布间的距离，可准确划分正负样本，减少了常规硬划分带来的累计错误.在2个公开数据集上进行的实验结果表明，CL2M在多个评价指标上优于既有的点云分割模型，验证了模型的有效性.
来源：2025年第1期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。