使用循环神经网络对 3D 点云中的物体进行分类：一种 GRU-LSTM 混合方法
计算机视觉与模式识别
2024-03-29 v2 人工智能
摘要
3D 点云中物体的精确分类是自动驾驶导航和增强/虚拟现实场景等多个应用中的重要问题，已成为研究热点。本文提出了一种用于增强现实中 3D 物体分类的深度学习策略。所提出的方法是 GRU 与 LSTM 的结合。LSTM 网络能很好地学习长程依赖关系，但由于门控数量较多，训练时间较长；另一方面，GRU 网络性能弱于 LSTM，但其训练速度远高于 LSTM，这归因于其门控数量较少。所提出的方法结合了这两种网络的速度与精度优势。该方法在包含 4,499,0641 个点的数据集上达到了 0.99 的准确率，该数据集包含八个类别（未标记、人造地形、自然地形、高植被、低植被、建筑物、硬景观、扫描伪影、汽车）。与此同时，传统机器学习方法在最佳情况下所能达到的最高准确率仅为 0.9489。
引用
@article{arxiv.2403.05950,
title = {Classifying Objects in 3D Point Clouds Using Recurrent Neural Network: A GRU LSTM Hybrid Approach},
author = {Ramin Mousa and Mitra Khezli and Mohamadreza Azadi and Vahid Nikoofard and Saba Hesaraki},
journal= {arXiv preprint arXiv:2403.05950},
year = {2024}
}