TY - JOUR A2 - Bibbo, Daniele AU - Muzahid, a.a.m. AU - Wan, Wanggen AU - Hou，李PY - 2020 DA - 2020/05/28 TI -一个新的体积CNN对3 d对象分类基于联合多尺度特征和子卷监督学习方法SP - 5851465六世- 2020 AB -低成本发展RGB-D和激光雷达三维(3 d)传感器允许实时3 d模型更容易的取得。然而，构建复杂的三维特征对于三维物体分类的发展至关重要。现有的基于体素的CNN方法取得了显著的进展，但其产生的巨大计算开销限制了在更高分辨率的三维物体上提取全局特征的能力。本文提出了一种基于联合多尺度层次和子体监督学习策略的低成本三维体深度卷积神经网络用于三维目标分类。我们提出的深度神经网络输入3D数据，通过实现内存高效的八叉树表示对数据进行预处理，并基于预定义的输入体积分辨率将全层八叉树深度限制在一定水平，以存储高精度的轮廓特征。从网络内部的多级八叉树深度拼接多尺度特征，自适应地生成高级全局特征。子体监督方法的策略是在三维物体的子部件上训练网络，以学习局部特征。我们的框架已经通过两个公开的3D存储库进行了评估。实验结果证明了该方法的有效性，与现有的体积方法相比，分类精度得到了提高，内存消耗率和运行时间显著降低。 SN - 1687-5265 UR - https://doi.org/10.1155/2020/5851465 DO - 10.1155/2020/5851465 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -