开题报告引入样本优化的大规模三维点云的语义标注.pptx

引入样本优化的大规模三维点云的语义标注算法研究 1课题研究背景报告内容2国内外研究现状3研究目标和研究内容4计划进度1课题研究背景报告内容2国内外研究现状3研究目标和研究内容4计划进度课题研究背景激光点云场景：利用激光测距的原理来感知现实世界，现实世界以点集的形式呈现（激光点云）大规模点云获取课题研究背景三维点云的语义标注将场景中的每一个点都给一个类别的标签 待标注的场景给每一个场景中的三维点一个类别标签课题研究背景三维点云的语义标注将场景中的每一个点都给一个类别的标签已标注的场景课题研究背景三维点云语义标注有助于场景理解，可应用领域：智能交通 自动驾驶地图导航数字城市城市规划城市建模1课题研究背景报告内容2国内外研究现状3课题研究目标、研究内容4计划进度国内外研究现状主要方法基于聚类分割的方法基于概率图模型的方法国内外研究现状存在的问题及挑战：大量的训练样本国内外研究现状存在的问题及挑战：大量的训练样本样本的不完整性国内外研究现状存在的问题及挑战：大量的训练样本样本的不完整性样本的重叠性国内外研究现状存在的问题及挑战：大量的训练样本样本的不完整性样本的重叠性庞大的数据量 （ 7000-8000 Pts/m2 ）1课题研究背景报告内容2国内外研究现状3研究目标和研究内容4计划进度...研究目标和研究内容基于图匹配的大规模三维点云语义标注算法...研究目标和研究内容基于图匹配的大规模三维点云语义标注算法基于主动学习的大规模三维 点云语义标注算法...研究目标和研究内容基于图匹配的大规模三维点云语义标注算法基于主动学习的大规模三维 点云语义标注算法基于网络中海量图片标签传递的三维点云语义标注算法 课题研究内容（一）拟解决问题解决思路本研究课题的创新点提出一个新的基于点云分块的图匹配算法（3D-PMG），该算法有效的利用物体的固有属性将物体的标签从标记的训练数据传递到未标记的数据。基于点云分块的图匹配算法实现方案：训练阶段基于点云分块的图匹配算法实现方案：标记阶段马尔科夫随机场平滑课题研究内容（二）拟解决问题解决思路本研究课题的创新点提出引入主动学习的思想去选择少量样本进行手动标记，形成训练集。 利用高阶的条件随机场去建模更加复杂的场景，优化标记结果。结合主动学习的点云标记算法实现方案：训练阶段主动学习结合主动学习的点云标记算法实现方案：预测阶段高阶马尔科夫随机场课题研究内容（三）数据特性：三维点云和对应的图片（像素和激光点的对应关系）课题研究内容（三）点云数据如何在海量的标签中寻找有意义的标签？光学图片海量的已标记的图片数据课题研究内容（三）拟解决问题解决思路本研究课题的创新点设计一个有效的非参 (non-parametric) 的方法进行标签传递设计一个有效的马尔科夫随机场 (MRF) 进行多种数据一致性建模课题研究内容（三）实现方案：点云数据带有标记点云光学图片标签传递后的图片海量的已标记的图片数据标签传递及多数据融合进行场景标注经典的非参数标签传递的方法：SuperParsing: Scalable Nonparametric Image Parsing with Superpixels, ECCV 2010标签传递及多数据融合进行场景标注利用马尔科夫随机场进行一致性建模需要考虑的因素：空间一致性 （图片和点云标记应该一致）时序一致性（不同时刻的图片在同一静止目标上的标记应该一致）时间上的不一致性（不同时刻的图片在运动目标上的标记可能出现差异）1课题研究背景报告内容2国内外研究现状3研究目标和研究内容4计划进度研究计划时间研究内容2012年9月-2013年8月学习博士应修课程, 查阅国内外相关资料 2013年9月-2014年1月前期准备工作: 收集相关论文，建立场景标注的数据集，阅读相关文献和方法，开展相关验证实验2014年2月-2015年12月主体研究工作的开展，在国内外权威刊物上发表3篇以上相关学术论文2016年1月-2017年5月撰写博士学位论文 实验室工作时间统计打卡时间备注第五周30第六周3开会出差第七周31第八周39第九周35第十周14.8生病请假第十一周37.4第十二周41第十三周38第十四周40第十五周38第十六周28第十七周41第十八周38.6已有成果H. Luo, C. Wang, et al. 2015. Patch-Based Semantic Labeling of Road Scene Using Colorized Mobile LiDAR Point Clouds, IEEE Transactions on Intelligent Transportation Systems, DOI:10.1109/TITS.2015.2499196 (IEEE: SCI, JCR-2).H. Luo,