在计算机视觉系统中一直存在物体识别时3D数据表示形式的问题.大多数研究人员将其转化为多视图和体素化网格的深度学习方法,这会出现庞大的数据,使计算量增加,提高了运算的时间复杂度.这里采用直接消耗点云数据方法在欧式空间中通过深度学习神经网络进行识别分类,这种方法与其他方法相比减少了数据运算量,而且很高效.通过分层神经网络进行学习,避免了只学习全局特征而不能学习由度量空间引起的局部结构.在改进现有的深度学习神经网络架构,通过训练在训练集中最高可以学习到96.88%的准确率,并且使训练曲线和测试曲线的准确率更加接近,避免了过拟合现象.最后测试了获取到的点云数据并达到了预期的效果.
NETL
NSTL
万方数据
维普
