基于坐标几何采样的点云配准方法

doi:10.11772/j.issn.1001-9081.2024010045

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (1): 214-222.DOI: 10.11772/j.issn.1001-9081.2024010045

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于坐标几何采样的点云配准方法

梁杰涛¹, 罗兵¹, 付兰慧¹, 常青玲¹, 李楠楠², 易宁波³, 冯其⁴, 何鑫⁴, 邓辅秦¹()

^1.五邑大学电子与信息工程学院，广东江门 529020
^2.澳门科技大学创新工程学院，澳门 999078
^3.五邑大学纺织科学与工程学院，广东江门 529020
^4.五邑大学应用物理与材料学院，广东江门 529020

收稿日期:2024-01-17 修回日期:2024-04-15 接受日期:2024-04-15 发布日期:2024-05-09 出版日期:2025-01-10
通讯作者: 邓辅秦
作者简介:梁杰涛（1999—），男，广东江门人，硕士研究生，主要研究方向：点云配准；
罗兵（1966—），男，湖北荆州人，教授，博士，主要研究方向：数字图像处理及应用、人工智能；
付兰慧（1987—），女，河南新乡人，讲师，博士，主要研究方向：机器学习、图像信息处理；
常青玲（1984—），女，河南许昌人，副教授，博士，主要研究方向：人工智能、自然语言处理、知识图谱、计算机视觉；
李楠楠（1982—），男，安徽阜阳人，助理教授，博士，主要研究方向：机器视觉；
易宁波（1988—），男，四川泸州人，副教授，博士，主要研究方向：先进半导体材料（石墨烯、钙钛矿）；
冯其（1990—），男，湖南湘潭人，讲师，博士，主要研究方向：电化学能源系统；
何鑫（1981—），女，湖南衡阳人，教授，博士，主要研究方向：柔性透明电极及其在光电器件中的应用；
基金资助:
国家自然科学基金资助项目(62073274);江门科技计划项目(2020030103000008537);五邑大学港澳联合基金资助项目(2022WGALH17);深圳市人工智能与机器人研究院探索性研究项目(AC01202101103)

Point cloud registration method based on coordinate geometric sampling

Jietao LIANG¹, Bing LUO¹, Lanhui FU¹, Qingling CHANG¹, Nannan LI², Ningbo YI³, Qi FENG⁴, Xin HE⁴, Fuqin DENG¹()

^1.School of Electronics and Information Engineering，Wuyi University，Jiangmen Guangdong 529020，China
^2.Faculty of Innovative Engineering，Macau University of Science and Technology，Macau 999078，China
^3.College of Textile Science and Engineering，Wuyi University，Jiangmen Guangdong 529020，China
^4.School of Applied Physics and Materials，Wuyi University，Jiangmen Guangdong 529020，China

Received:2024-01-17 Revised:2024-04-15 Accepted:2024-04-15 Online:2024-05-09 Published:2025-01-10
Contact: Fuqin DENG
About author:LIANG Jietao， born in 1999， M. S. candidate. His research interests include point cloud registration.
LUO Bing， born in 1966， Ph. D.， professor. His research interests include digital image processing and application， artificial intelligence.
FU Lanhui， born in 1987， Ph. D.， lecturer. Her research interests include machine learning， image information processing.
CHANG Qingling， born in 1984， Ph. D.， associate professor. Her research interests include artificial intelligence， natural language processing， knowledge graph， computer vision.
LI Nannan， born in 1982， Ph. D.， assistant professor. His research interests include computer vision.
YI Ningbo， born in 1988， Ph. D.， associate professor. His research interests include advanced semiconductor materials （graphene， perovskite）.
FENG Qi， born in 1990， Ph. D.， lecturer. His research interests include electrochemical energy system.
HE Xin， born in 1981， Ph. D.， professor. Her research interests include flexible transparent electrode and its application in photoelectric devices.
Supported by:
National Natural Science Foundation of China(62073274);Jiangmen Science and Technology Project(2020030103000008537);Wuyi University-Hong Kong-Macau Joint Funding Scheme(2022WGALH17);Exploratory Research Project of Shenzhen Institute of Artificial Intelligence and Robotics for Society(AC01202101103)

摘要/Abstract

摘要：

为了提高点云配准的精度、鲁棒性和泛化性，解决迭代最近点（ICP）算法容易陷入局部最优解的问题，提出一种基于坐标几何采样的深度最近点（GSDCP）的点云配准方法。首先，基于每个点的周围点的坐标估计中心点曲率，并通过曲率大小筛选出能保留点云几何特征的点，从而完成点云下采样；然后，使用动态图卷积神经网络（DGCNN）配合下采样点云学习融入局部几何信息的点云特征，并通过Transformer捕获两个特征嵌入之间的上下文信息、使用软指针近似组合匹配；最后，利用一个可微的奇异值分解（SVD）层估计最终的刚性变换。在数据集ModelNet40上进行的点云配准实验结果表明，与ICP、Go-ICP （Globally optimal ICP）、PointNetLK、快速全局配准（FGR）、ADGCNNLK （Attention Dynamic Graph Convolutional Neural Network Lucas-Kanade）、深度最近点（DCP）和多特征引导网络（MFGNet）相比，在无噪声、有噪声和看不见点云类别的情况下GSDCP的配准精度和鲁棒性都最好；其中在无噪声的情况下，与MFGNet相比，GSDCP的旋转均方误差（MSE）降低了31.3%，平移MSE降低了58.3%；在有噪声的情况下， GSDCP的旋转MSE降低了33.9%，平移MSE降低了73.4%；在看不见点云类别的情况下， GSDCP的旋转MSE降低了57.7%，平移MSE降低了77.9%。除此之外，对不完整点云数据（包括随机遮挡和点云残缺），在点云完整度为75%以下时， GSDCP的旋转MSE降低了35.1%，平移MSE降低了39.8%。

关键词: 点云配准, 深度学习, 几何采样, 特征提取, Transformer

Abstract:

To improve accuracy， robustness， and generalization of point cloud registration and address the problem of the Iterative Closest Point （ICP） algorithm easily falling into local optimal solution， a point cloud registration method of coordinate Geometric Sampling based on Deep Closest Point （GSDCP） was proposed. Firstly， the central point curvature was estimated using coordinates of surrounding points of each point， and points that preserved geometric features of the point cloud were selected through curvature sizes， so as to realize downsampling of the point cloud. Secondly， a Dynamic Graph Convolutional Neural Network （DGCNN） was employed to coordinate with the downsampled point cloud to learn point cloud features that incorporated local geometry information， and contextual information was captured using a Transformer， and soft Pointers facilitate approximate combination and matching between two feature embedders. Finally， a differentiable Single Value Decomposition （SVD） layer was utilized to estimate the final rigid transformation. Point cloud registration experimental results on ModelNet40 dataset show that compared with ICP， Globally optimal ICP （Go-ICP）， PointNetLK， Fast Global Registration （FGR）， ADGCNNLK （Attention Dynamic Graph Convolutional Neural Network Lucas-Kanade）， Deep Closest Point （DCP）， and Multi-Features Guidance Network （MFGNet）， GSDCP achieves all the best registration accuracy and robustness in scenarios with or without noise， as well as when the point cloud category is invisible. In noise-free scenario， GSDCP reduces rotational Mean Square Error （MSE） by 31.3% and translational MSE by 58.3% compared to MFGNet. In noisy scenario， GSDCP reduces rotational MSE by 33.9% and translational MSE by 73.4% compared to MFGNet. When the point cloud category is invisible， GSDCP reduces rotational MSE by 57.7% and translational MSE by 77.9% compared to MFGNet. Additionally， when dealing with incomplete point cloud data （including random occlusion and fragmentary point cloud）， GSDCP exhibits reductions of 35.1% in rotational MSE and 39.8% in translational MSE compared to MFGNet when point cloud integrity is below 75%.

Key words: point cloud registration, deep learning, geometric sampling, feature extraction, Transformer

中图分类号:

TP391.41

梁杰涛, 罗兵, 付兰慧, 常青玲, 李楠楠, 易宁波, 冯其, 何鑫, 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 计算机应用, 2025, 45(1): 214-222.

Jietao LIANG, Bing LUO, Lanhui FU, Qingling CHANG, Nannan LI, Ningbo YI, Qi FENG, Xin HE, Fuqin DENG. Point cloud registration method based on coordinate geometric sampling[J]. Journal of Computer Applications, 2025, 45(1): 214-222.

图/表 10

参考文献 44

1	BESL P J， McKAY N D. Method for registration of 3-D shapes ［C］// Proceedings of the SPIE 1611， Sensor Fusion IV： Control Paradigms and Data Structures. Bellingham， WA： SPIE， 1992： No.57955.
2	王飞鹏，肖俊，王颖，等.一种基于高斯曲率的ICP改进算法［J］.中国科学院大学学报， 2019， 36（5）： 702-708.
	WANG F P， XIAO J， WANG Y， et al. An improved ICP method using Gaussian curvature ［J］. Journal of University of Chinese Academy of Sciences， 2019， 36（5）： 702-708.
3	SHI X， LIU T， HAN X. Improved Iterative Closest Point （ICP） 3D point cloud registration algorithm based on point cloud filtering and adaptive fireworks for coarse registration ［J］. International Journal of Remote Sensing， 2020， 41（8）： 3197-3220.
4	LIU H， LIU T， LI Y， et al. Point cloud registration based on MCMC-SA ICP algorithm ［J］. IEEE Access， 2019， 7： 73637-73648.
5	SHI X， PENG J， LI J， et al. The iterative closest point registration algorithm based on the normal distribution transformation ［J］. Procedia Computer Science， 2019， 147： 181-190.
6	YANG J， LI H， JIA Y. Go-ICP： solving 3D registration efficiently and globally optimally ［C］// Proceedings of the 2013 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2013： 1457-1464.
7	ZHOU Q Y， PARK J， KOLTUN V. Fast global registration ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9906. Cham： Springer， 2016： 766-782.
8	QI C R， SU H， MO K， et al. PointNet： deep learning on point sets for 3D classification and segmentation ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 77-85.
9	QI C R， YI L， SU H， et al. PointNet++： deep hierarchical feature learning on point sets in a metric space ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 5105-5114.
10	AOKI Y， GOFORTH H， SRIVATSAN R A， et al. PointNetLK： robust & efficient point cloud registration using PointNet ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 7156-7165.
11	LUCAS B D， KANADE T. An iterative image registration technique with an application to stereo vision ［C］// Proceedings of the 7th International Joint Conference on Artificial Intelligence — Volume 2. San Francisco： Morgan Kaufmann Publishers Inc.， 1981： 674-679.
12	秦庭威，赵鹏程，秦品乐，等.基于残差注意力机制的点云配准算法［J］.计算机应用， 2022， 42（7）： 2184-2191.
	QIN T W， ZHAO P C， QIN P L， et al. Point cloud registration algorithm based on residual attention mechanism ［J］. Journal of Computer Applications， 2022， 42（7）： 2184-2191.
13	WANG Y， SUN Y， LIU Z， et al. Dynamic graph CNN for learning on point clouds ［J］. ACM Transactions on Graphics， 2019， 38（5）： No.146.
14	WANG Y， SOLOMON J. Deep closest point： learning representations for point cloud registration ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 3522-3531.
15	侯维广，付生鹏，夏鑫，等.基于自适应采样和混合注意力的点云配准算法［J］.组合机床与自动化加工技术， 2023（12）： 45-49.
	HOU W G， FU S P， XIA X， et al. Point cloud registration algorithm based on adaptive sampling and mixed attention ［J］. Modular Machine Tool and Automatic Manufacturing Technique， 2023（12）： 45-49.
16	刘旭珩，柏正尧，许祝，等.结合注意力机制的多重引导点云配准网络［J］.计算机科学， 2024， 51（2）： 142-150.
	LIU X H， BAI Z Y， XU Z， et al. Multi-guided point cloud registration network combined with attention mechanism ［J］. Computer Science， 2024， 51（2）： 142-150.
17	WANG H， LIU X， KANG W， et al. Multi-features guidance network for partial-to-partial point cloud registration ［J］. Neural Computing and Applications， 2022， 34（2）： 1623-1634.
18	SHE R， KANG Q， WANG S， et al. PointDifformer： robust point cloud registration with neural diffusion and transformer ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： No.5701015.
19	QIN Z， YU H， WANG C， et al. Geometric Transformer for fast and robust point cloud registration ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 11133-11142.
20	DENG H， BIRDAL T， ILIC S. PPFNet： global context aware local features for robust 3D point matching ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 195-205.
21	SARODE V， LI X， GOFORTH H， et al. PCRNet： point cloud registration network using PointNet encoding ［EB/OL］. ［2023-05-10］. .
22	PAPADOPOULO T， LOURAKIS M I A. Estimating the Jacobian of the singular value decomposition： theory and applications ［C］// Proceedings of the 2000 European Conference on Computer Vision， LNCS 1842. Berlin： Springer， 2000： 554-570.
23	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
24	VINYALS O， FORTUNATO M， JAITLY N. Pointer networks ［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems — Volume 2. Cambridge： MIT Press， 2015： 2692-2700.
25	YEW Z J， LEE G H. RPM-Net： robust point matching using learned features ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 11821-11830.
26	GOLD S， RANGARAJAN A， LU C P， et al. New algorithms for 2D and 3D point matching： pose estimation and correspondence ［J］. Pattern Recognition， 1998， 31（8）： 1019-1031.
27	SINKHORN R. A relationship between arbitrary positive matrices and doubly stochastic matrices ［J］. The Annals of Mathematical Statistics， 1964， 35（2）： 876-879.
28	RUSU R B， BLODOW N， BEETZ M. Fast Point Feature Histograms （FPFH） for 3D registration ［C］// Proceedings of the 2009 IEEE International Conference on Robotics and Automation. Piscataway： IEEE， 2009： 3212-3217.
29	YEW Z J， LEE G H. REGTR： end-to-end point cloud correspondences with Transformers ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 6667-6676.
30	MATURANA D， SCHERER S. VoxNet： a 3D convolutional neural network for real-time object recognition ［C］// Proceedings of the 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2015： 922-928.
31	WU Z， SONG S， KHOSLA A， et al. 3D ShapeNets： a deep representation for volumetric shapes ［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 1912-1920.
32	ZHOU Y， TUZEL O. VoxelNet： end-to-end learning for point cloud based 3D object detection ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4490-4499.
33	XIANG Y， SCHMIDT T， NARAYANAN V， et al. PoseCNN： a convolutional neural network for 6D object pose estimation in cluttered scenes ［EB/OL］. ［2023-11-09］. .
34	BRISTOW H， VALMADRE J， LUCEY S. Dense semantic correspondence where every pixel is a classifier ［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 4024-4031.
35	GEORGAKIS G， KARANAM S， WU Z， et al. Matching RGB images to CAD models for object pose estimation ［EB/OL］. ［2023-11-09］. .
36	WANG Y， SOLOMON J. PRNet： self-supervised learning for partial-to-partial registration ［C］// Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2019： 8814-8826.
37	MOENNING C， DODGSON N A. Fast marching farthest point sampling ［R/OL］. ［2023-10-25］. .
38	LI Y， BU R， SUN M， et al. PointCNN： convolution on X-transformed points ［C］// Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2018： 828-838.
39	WU W， QI Z， LI F. PointConv： deep convolutional networks on 3D point clouds ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 9613-9622.
40	LIU Y， FAN B， XIANG S， et al. Relation-shape convolutional neural network for point cloud analysis ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 8887-8896.
41	HU Q， YANG B， XIE L， et al. RandLA-Net： efficient semantic segmentation of large-scale point clouds ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 11105-11114.
42	QI H， FENG C， CAO Z， et al. P2B： point-to-box network for 3D object tracking in point clouds ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 6328-6337.
43	GROH F， WIESCHOLLEK P， LENSCH H P A. Flex-convolution： million-scale point-cloud learning beyond grid-worlds ［C］// Proceedings of the 2018 Asian Conference on Computer Vision， LNCS 11361. Cham： Springer， 2019： 105-122.
44	WU C， ZHENG J， PFROMMER J， et al. Attention-based point cloud edge sampling ［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 5333-5343.

模块	MSE（R）	RMSE（R）	MAE（R）	MSE（t）	RMSE（t）	MAE（t）
ICP	894.897 339	29.914 835	23.544 817	0.084 643	0.084 643	0.248 755
Go-ICP	140.477 325	11.852 313	2.588 463	0.000 659	0.025 665	0.007 092
FGR	87.661 491	9.362 772	1.999 290	0.000 194	0.013 939	0.002 839
PointNetLK	227.870 331	15.095 374	4.225 304	0.000 487	0.022 065	0.005 404
ADGCNNLK	61.045 283	7.813 148	2.854 556	0.000 283	0.016 822	0.004 146
DCP	7.960 885	2.821 504	1.920 297	0.000 445	0.021 104	0.013 548
MFGNet	2.829 443	1.682 095	1.134 576	0.000 283	0.016 835	0.002 513
GSDCP	1.944 644	1.394 505	0.981 491	0.000 118	0.010 864	0.001 986

模块	MSE（R）	RMSE（R）	MAE（R）	MSE（t）	RMSE（t）	MAE（t）
ICP	894.897 339	29.914 835	23.544 817	0.084 643	0.084 643	0.248 755
Go-ICP	140.477 325	11.852 313	2.588 463	0.000 659	0.025 665	0.007 092
FGR	87.661 491	9.362 772	1.999 290	0.000 194	0.013 939	0.002 839
PointNetLK	227.870 331	15.095 374	4.225 304	0.000 487	0.022 065	0.005 404
ADGCNNLK	61.045 283	7.813 148	2.854 556	0.000 283	0.016 822	0.004 146
DCP	7.960 885	2.821 504	1.920 297	0.000 445	0.021 104	0.013 548
MFGNet	2.829 443	1.682 095	1.134 576	0.000 283	0.016 835	0.002 513
GSDCP	1.944 644	1.394 505	0.981 491	0.000 118	0.010 864	0.001 986

模块	MSE（R）	RMSE（R）	MAE（R）	MSE（t）	RMSE（t）	MAE（t）
ICP	892.601 135	29.876 431	23.626 110	0.086 005	0.293 266	0.251 916
Go-ICP	192.258 636	13.865 736	2.914 169	0.000 491	0.022 154	0.006 219
FGR	97.002 747	9.848 997	1.445 460	0.000 182	0.013 503	0.002 531
PointNetLK	306.323 975	17.502 113	5.280 545	0.000 784	0.028 007	0.007 203
ADGCNNLK	84.145 566	9.173 089	3.155 154	0.000 454	0.021 307	0.005 651
DCP	10.030 007	3.167 019	2.014 827	0.000 520	0.022 814	0.013 855
MFGNet	3.941 372	1.959 942	1.539 593	0.000 420	0.020 518	0.003 482
GSDCP	1.667 429	1.291 290	0.919 080	0.000 093	0.009 659	0.002 361

模块	MSE（R）	RMSE（R）	MAE（R）	MSE（t）	RMSE（t）	MAE（t）
ICP	892.601 135	29.876 431	23.626 110	0.086 005	0.293 266	0.251 916
Go-ICP	192.258 636	13.865 736	2.914 169	0.000 491	0.022 154	0.006 219
FGR	97.002 747	9.848 997	1.445 460	0.000 182	0.013 503	0.002 531
PointNetLK	306.323 975	17.502 113	5.280 545	0.000 784	0.028 007	0.007 203
ADGCNNLK	84.145 566	9.173 089	3.155 154	0.000 454	0.021 307	0.005 651
DCP	10.030 007	3.167 019	2.014 827	0.000 520	0.022 814	0.013 855
MFGNet	3.941 372	1.959 942	1.539 593	0.000 420	0.020 518	0.003 482
GSDCP	1.667 429	1.291 290	0.919 080	0.000 093	0.009 659	0.002 361

模块	MSE（R）	RMSE（R）	MAE（R）	MSE（t）	RMSE（t）	MAE（t）
ICP	882.564 209	29.707 983	23.557 217	0.084 537	0.290 752	0.249 092
Go-ICP	131.182 495	11.453 493	2.534 873	0.000 531	0.023 051	0.004 192
FGR	607.694 885	24.651 468	10.055 918	0.011 876	0.108 977	0.027 393
PointNetLK	256.155 548	16.004 860	4.595 617	0.000 465	0.021 558	0.005 652
ADGCNNLK	70.512 636	8.397 180	2.559 214	0.000 278	0.016 673	0.004 526
DCP	48.509 663	6.964 888	4.855 263	0.003 790	0.061 565	0.043 154
MFGNet	19.317 484	4.395 166	3.610 706	0.000 847	0.029 113	0.009 011
GSDCP	12.772 079	3.573 805	2.557 062	0.000 225	0.015 000	0.001 812

基于坐标几何采样的点云配准方法

Point cloud registration method based on coordinate geometric sampling

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 44

相关文章 15

编辑推荐

Metrics

模块	MSE（R）	RMSE（R）	MAE（R）	MSE（t）	RMSE（t）	MAE（t）
FPS+PointNet	76.249 426	8.732 091	5.929 955	0.005 915	0.076 911	0.053 945
GS+PointNet	51.354 679	7.166 218	4.514 465	0.003 403	0.058 338	0.037 922
FPS+DGCNN	7.960 885	2.821 504	1.920 297	0.000 445	0.021 104	0.013 548
GS+DGCNN	1.944 644	1.394 505	0.981 491	0.000 118	0.010 864	0.001 986

[1]	郑宗生, 杜嘉, 成雨荷, 赵泽骋, 张月维, 王绪龙. 用于红外-可见光图像分类的跨模态双流交替交互网络[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 275-283.
[2]	徐欣然, 张绍兵, 成苗, 张洋, 曾尚. 基于多路层次化混合专家模型的轴承故障诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 59-68.
[3]	晏燕, 钱星颖, 闫鹏斌, 杨杰. 位置大数据的联邦学习统计预测与差分隐私保护方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 127-135.
[4]	张思齐, 张金俊, 王天一, 秦小林. 基于信号时态逻辑的深度时序事件检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 90-97.
[5]	贾洁茹, 杨建超, 张硕蕊, 闫涛, 陈斌. 基于自蒸馏视觉Transformer的无监督行人重识别[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2893-2902.
[6]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[7]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[8]	方介泼, 陶重犇. 应对零日攻击的混合车联网入侵检测系统[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2763-2769.
[9]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[10]	任烈弘, 黄铝文, 田旭, 段飞. 基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2739-2746.
[11]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[12]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[13]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[14]	李金金, 桑国明, 张益嘉. APK-CNN和Transformer增强的多域虚假新闻检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2674-2682.
[15]	付帅, 郭小英, 白茹意, 闫涛, 陈斌. 改进的CloFormer模型与有序回归相结合的年龄评估方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2372-2380.