《中国人工智能学会通讯》——11.12 三维目标检测识别

本节书摘来自CCAI《中国人工智能学会通讯》一书中的第11章，第11.12节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。
11.12 三维目标检测识别

目标识别一直是计算机视觉及模式识别领域的研究热点，其目的在于从场景中鉴别出感兴趣目标并获得其位姿信息。针对遮挡和背景干扰下的目标识别问题，本文提出了一种基于模型库的层次化三维目标识别算法[2] 。该算法共包括模型表示、候选模型生成、变换假设生成，以及验证和分割四个主要模块，其流程如图 6 所示。离线训练时，首先为感兴趣的三维目标构建一个模型库，并对每一个模型进行关键点检测和 RoPS 特征描述子提取。对于输入场景点云，同样进行关键点检测及 RoPS 特征提取，进而将场景点云特征与所有模型特征进行匹配以得到场景中潜在目标的候选模型。接着通过对场景与模型间的匹配对应点对计算二者之间的刚性变换关系，并对所有可能的变换关系进行聚类得到变换关系的假设及其置信度。对每一个候选模型，利用潜在变换假设及 ICP 算法将其与场景点云进行精配准以计算二者之间的重合度，若重合度超过预设的阈值则检测识别出该目标并得到目标的精确姿态。否则继续对下一个候选模型及变换假设进行验证，直到所有模型及假设均经过验证为止。
采用四个公共数据集对所提三维目标识别算法进行测试。图 7 给出了 UWA 数据集上两个场景的示例及其识别结果，从图 7 中可知，除了图 (d) 中的 T-Rex 之外，其他目标均得到正确识别，且其姿态亦得到了精确估计。图 7(d) 中 T-Rex 目标未能
正确识别的原因在于过度遮挡。在 UWA 数据集上不同目标遮挡率下的识别率结果如图 8 所示，可见本文算法性能超越了所有现有算法。当目标遮挡率在 0~80% 之间时，本算法可获得 100% 的识别率。即使目标遮挡率达到 85% 时，该算法依然可获得93.1% 的识别率。当目标遮挡率在 0~84% 之间时，本算法的平均识别率为 98.8%。此外，本文算法在实验中未出现任何虚警。因此，本文算法可有效地从存在遮挡、背景干扰和数据分辨率变化的复杂场景中识别出模型库中的目标。

【特朗普悍然给中国高科技加税】中国通讯、半导体等遭精准打压，美国用AI算出1300项加税商品 美国贸易代表办公室（USTR）昨天公布了拟加征关税的中国商品清单，这些商品多达1300种商品，计划加征25％的关税，其中，包含大量的半导体产业商品。值得注意的是，在精准打击中国制造2025的路上，美国使用了计算机算法挑选出这1300中商品。
《中国人工智能学会通讯》——12.49 结束语 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第12章，第12.49节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。
《中国人工智能学会通讯》——6.11 链接数据技术 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第6章，第6.11节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。
《中国人工智能学会通讯》——12.48 混合型数据聚类算法 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第12章，第12.48节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。
《中国人工智能学会通讯》——12.47 分类型数据聚类有效性 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第12章，第12.47节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。
《中国人工智能学会通讯》——12.46 分类型数据流聚类算法 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第12章，第12.46节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。
《中国人工智能学会通讯》——12.44 分类型数据的定义 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第12章，第12.44节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。
《中国人工智能学会通讯》——6.10 链接数据实践 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第6章，第6.10节， 更多章节内容可以访问云栖社区“CCAI”公众号查看。