分层式三维室内地图分类方法及更新机制

doi:10.11772/j.issn.1001-9081.2018071657

计算机应用 ›› 2019, Vol. 39 ›› Issue (1): 78-81.DOI: 10.11772/j.issn.1001-9081.2018071657

• 2018年全国开放式分布与并行计算学术年会(DPCS 2018)论文 • 上一篇下一篇

分层式三维室内地图分类方法及更新机制

冯光升¹, 张晓雪¹, 王慧强¹, 李冰洋¹, 袁泉², 陈诗军², 陈大伟²

1. 哈尔滨工程大学计算机与科学技术学院, 哈尔滨 150001;
2. 中兴通讯股份有限公司, 广东深圳 518055

收稿日期:2018-07-19 修回日期:2018-08-28 出版日期:2019-01-10 发布日期:2019-01-21
通讯作者: 张晓雪
作者简介:冯光升(1980-),男,山东禹城人,副教授,博士,CCF会员,主要研究方向:网络安全、认知网络;张晓雪(1993-),女,黑龙江哈尔滨人,硕士研究生,主要研究方向:分布式与并行计算、体系结构、神经网络;王慧强(1960-),男,黑龙江哈尔滨人,教授,博士,CCF会员,主要研究方向:网络安全、未来网络;李冰洋(1978-),男,黑龙江哈尔滨人,副教授,博士,主要研究方向:可信计算、网络可靠性;袁泉(1962-),男,江西赣州人,高级工程师,博士,主要研究方向:工业自动化;陈诗军(1972-),男,山东烟台人,高级工程师,硕士,主要研究方向:无线定位、MIMO、信道仿真;陈大伟(1984-),男,黑龙江绥化人,高级工程师,硕士,主要研究方向:无线铁路集群、铁路综合数字移动通信系统(GSM-R)、铁路通用移动通信技术的长期演进(LTE-R)。
基金资助:
国家科技重大专项（2016ZX03001023-005）；中央高校基本科研业务费专项（HEUCF100601）；中兴产学研合作项目（2016ZTE01-03-06）；中兴通讯产学研合作论坛项目（2018ZTE）。

Classification method and updating mechanism of hierarchical 3D indoor map

FENG Guangsheng¹, ZHANG Xiaoxue¹, WANG Huiqiang¹, LI Bingyang¹, YUAN Quan², CHEN Shijun², CHEN Dawei²

1. College of Computer Science and Technology, Harbin Engineering University, Harbin Heilongjiang 150001, China;
2. Zhongxing Telecommunication Equipment Corporation, Shenzhen Guangdong 518055, China

Received:2018-07-19 Revised:2018-08-28 Online:2019-01-10 Published:2019-01-21
Supported by:
This work is partially supported by the National Science and Technology Major Project (2016ZX03001023-005), the Fundamental Research Funds for the Central Universities (HEUCF100601), the ZTE Industry, University and Research Cooperation Project (2016ZTE01-03-06), the ZTE Industry, University and Research Cooperation Forum Project (2018ZTE).

摘要/Abstract

摘要： 针对现有的地图更新方法，在室内地图环境下的效果并不理想的问题，提出了一种分层式的室内地图更新方法。首先以室内物体的活动性为参数，然后进行层次的划分来减少更新数据的数量，最后利用卷积神经网络（CNN）对室内数据进行归属层次的判定。实验结果表明，与版本式更新方法相比，所提算法的更新时间降低了27个百分点；与增量式更新方法相比，其更新时间在更新项大于100后逐渐降低。与增量式更新方法相比更新包大小降低了6.2个百分点，且在数据项小于200之前其更新包一直小于版本式更新方法。所提方法可以显著提高室内地图的更新效率。

关键词: 室内地图, 地图更新方法, 分层式更新, 卷积神经网络, 增量式更新, 版本式更新

Abstract: For the fact that existing map updating methods are not good at map updating in indoor map environments, a hierarchical indoor map updating method was proposed. Firstly, the activity of indoor objects was taken as a parameter. Then, the division of hierarchy was performed to reduce the amount of updated data. Finally, a Convolutional Neural Network (CNN) was used to determine the attribution level of indoor data in network. The experimental results show that compared with the version update method, the update time of the proposed method is reduced by 27 percentage points, and the update time is gradually reduced compared with the incremental update method after the update item number is greater than 100. Compared with the incremental update method, the update package size of the proposed method is reduced by 6.2 percentage points, and its update package is always smaller than that of the version update method before the data item number is less than 200. Therefore, the proposed method can significantly improve the updating efficiency of indoor maps.

Key words: indoor map, map updating method, hierarchical updating, Convolutional Neural Network (CNN), incremental update, version update

中图分类号:

TP391

冯光升, 张晓雪, 王慧强, 李冰洋, 袁泉, 陈诗军, 陈大伟. 分层式三维室内地图分类方法及更新机制[J]. 计算机应用, 2019, 39(1): 78-81.

FENG Guangsheng, ZHANG Xiaoxue, WANG Huiqiang, LI Bingyang, YUAN Quan, CHEN Shijun, CHEN Dawei. Classification method and updating mechanism of hierarchical 3D indoor map[J]. Journal of Computer Applications, 2019, 39(1): 78-81.

参考文献

[1] 应申,杨杰,王凯,等.众包模式下室内地图变化发现与更新[J].测绘地理信息,2016,41(2):62-65.(YING S, YANG J, WANG K, et al. Crowdsourcing-based change detection and updating of indoor map[J]. Geomatics of Surveying and Mapping, 2016,41(2):62-65.)
[2] 汪永红,张斌,郭黎,等.导航电子地图增量更新方法研究[J].地理信息世界,2011,9(4):40-43.(WANG Y H, ZHANG B, GUO L, et al. Research of incremental updating method for navigation electronic map[J]. Geographic Information World, 2011, 9(4):40-43.)
[3] 郭鹏,崔铁军.导航电子地图增量式更新服务模式[J].地理信息世界,2011,9(4):57-61.(GUO P, CUI T J. Incremental updating service mode of navigable electronic maps[J]. Geographic Information World,2011,9(4):57-61.)
[4] 李晓斌,李飞,马春红.面向车联网应用的导航电子地图增量更新[J].测绘科学,2016,41(8):161-164.(LI X B, LI F, MA C H. Incremental updating technique of navigation electronic map for telematics[J]. Science of Surveying and Mapping, 2016,41(8):161-164.)
[5] 苏旭明,谭建成,陈悦竹,等.支持增量更新的导航电子地图数据模型的研究[J].北京测绘,2016(3):126-128.(SU X M, TAN J C, CHEN Y Z, et al. The research on data model of supportingincremental updating of navigation electronic map[J]. Beijing Surveying and Mapping, 2016(3):126-128.)
[6] 张新长,郭泰圣,唐铁.一种自适应的矢量数据增量更新方法研究[J]. 测绘学报,2012,41(4):613-619.(ZHANG X C, GUO T S, TANG T. An adaptive method for incremental updating of vector data[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(4):613-619.)
[7] 张保钢,杨伯钢,张伟松.矢量地理信息更新增量的传播[J].测绘通报,2015(4):53-56.(ZHANG B G, YANG B G, ZHANG W S. Incremental propagation of vector geographic information updating[J]. Bulletin of Surveying and Mapping, 2015(4):53-56.)
[8] LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC:IEEE Computer Society, 2015:3431-3440.
[9] YUAN J, WU Y, YANG M. Discovery of collocation patterns:from visual words to visual phrases[C]//Proceedings of the 2007 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC:IEEE Computer Society, 2007:1-8.
[10] TU S, HUANG Y, LIU G. CSFL:a novel unsupervised convolution neural network approach for visual pattern classification[J]. AI Communications, 2017, 30(5):311-324.
[11] HERRANZ L, JIANG S, LI X. Scene recognition with CNNs:objects, scales and dataset bias[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC:IEEE Computer Society, 2016:571-579.
[12] HE K, ZHANG X, REN S, et al. Delving deep into rectifiers:surpassing human-level performance on ImageNet classification[C]//Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway, NJ:IEEE, 2015:1026-1034.
[13] CAGLAYAN A, CAN A B. Volumetric object recognition using 3-D CNNs on depth data[J]. IEEE Access, 2018, 6:20058-20066.

[1]	王贺兵, 张春梅. 基于非对称卷积-压缩激发-次代残差网络的人脸关键点检测[J]. 计算机应用, 2021, 41(9): 2741-2747.
[2]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[3]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[4]	张永斌, 常文欣, 孙连山, 张航. 基于字典的域名生成算法生成域名的检测方法[J]. 计算机应用, 2021, 41(9): 2609-2614.
[5]	赵宏, 孔东一. 图像特征注意力与自适应注意力融合的图像内容中文描述[J]. 计算机应用, 2021, 41(9): 2496-2503.
[6]	徐江浪, 李林燕, 万新军, 胡伏原. 结合目标检测的室内场景识别方法[J]. 计算机应用, 2021, 41(9): 2720-2725.
[7]	牟长宁, 王海鹏, 周丕宇, 侯鑫行. 基于图卷积神经网络的串联质谱从头测序[J]. 计算机应用, 2021, 41(9): 2773-2779.
[8]	曹玉红, 徐海, 刘荪傲, 王紫霄, 李宏亮. 基于深度学习的医学影像分割研究综述[J]. 计算机应用, 2021, 41(8): 2273-2287.
[9]	秦斌斌, 彭良康, 卢向明, 钱江波. 司机分心驾驶检测研究进展[J]. 计算机应用, 2021, 41(8): 2330-2337.
[10]	黄程程, 董霄霄, 李钊. 基于二维Winograd算法的深流水线5×5卷积方法[J]. 计算机应用, 2021, 41(8): 2258-2264.
[11]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[12]	谭道强, 曾诚, 乔金霞, 张俊. 基于混合注意力模型的阴影检测方法[J]. 计算机应用, 2021, 41(7): 2076-2081.
[13]	吴则举, 焦翠娟, 陈亮. 基于改进Faster R-CNN的轮胎缺陷检测方法[J]. 计算机应用, 2021, 41(7): 1939-1946.
[14]	杨粟, 欧阳智, 杜逆索. 基于相关度距离的无监督并行哈希图像检索[J]. 计算机应用, 2021, 41(7): 1902-1907.
[15]	高钦泉, 黄炳城, 刘文哲, 童同. 基于改进CenterNet的竹条表面缺陷检测方法[J]. 计算机应用, 2021, 41(7): 1933-1938.

分层式三维室内地图分类方法及更新机制

Classification method and updating mechanism of hierarchical 3D indoor map

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics