[發(fā)明專利]一種點云分類方法、分割方法及相關(guān)設(shè)備有效
| 申請?zhí)枺?/td> | 202010018275.3 | 申請日： | 2020-01-08 |
| 公開（公告）號： | CN111242208B | 公開（公告）日： | 2023-05-02 |
| 發(fā)明（設(shè)計）人： | 鄒文斌;彭文韜;田時舜;李霞;徐晨 | 申請（專利權(quán)）人： | 深圳大學(xué) |
| 主分類號： | G06V10/764 | 分類號： | G06V10/764;G06V10/26;G06V10/44;G06V10/82;G06N3/0464;G06N3/048 |
| 代理公司： | 深圳市君勝知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44268 | 代理人： | 溫宏梅;王永文 |
| 地址： | 518060 廣東*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 分類 方法 分割 相關(guān) 設(shè)備 | ||
1.一種基于圖卷積和通道注意力機制的點云分類方法，其特征在于，包括步驟：
將點云數(shù)據(jù)輸入預(yù)設(shè)點云分類模型，其中，所述點云分類模型包括：至少一個KNN圖卷積模塊和通道注意力模塊；
依次通過各個所述KNN圖卷積模塊提取所述點云數(shù)據(jù)中所含點云數(shù)據(jù)中每個頂點所有邊的特征聚合數(shù)據(jù)；
將所述特征聚合數(shù)據(jù)依次經(jīng)過多層感知器和池化處理后，得到第一全局點云特征；
將所述第一全局點云特征輸入所述通道注意力模塊，通過所述通道注意力模塊得到調(diào)整后的第二全局點云特征；
根據(jù)調(diào)整后的第二全局點云特征得到點云分類結(jié)果；
所述將所述第一全局點云特征輸入所述通道注意力模塊，通過所述通道注意力模塊得到調(diào)整后的第二全局點云特征的步驟包括：
對所述第一全局點云特征進行通道分組，得到多個全局點云特征分組；其中，通道分組的維度分為K個組，每個組向量的維度為d，K和d均為正整數(shù)；
利用平均池化方法計算出各個全局點云特征分組的局部特征；
將各個全局點云特征分組中的全局點云特征與其自身所在全局點云特征分組計算出的局部特征做點積，得到各個全局點云特征分組的初始注意力分?jǐn)?shù)；
對各個所述初始注意力分?jǐn)?shù)進行歸一化處理，并利用激活函數(shù)對歸一化處理的結(jié)果進行激活，得到激活后的注意力分?jǐn)?shù)；
將各個全局點云特征分組中的全局點云特征與其自身所在全局點云特征分組激活后的注意力分?jǐn)?shù)相乘，得到各個全局點云特征分組的分組特征；
將各個分組特征進行級聯(lián)計算，得到與所述點云數(shù)據(jù)對應(yīng)的全局特征。
2.根據(jù)權(quán)利要求1所述的基于圖卷積和通道注意力機制的點云分類方法，其特征在于，所述KNN圖卷積模塊包括邊特征提取單元和特征聚合單元；
所述依次通過各個所述KNN圖卷積模塊提取所述點云數(shù)據(jù)中所含點云數(shù)據(jù)中每個頂點所有邊的特征聚合數(shù)據(jù)的步驟包括：
將點云數(shù)據(jù)中各個點數(shù)據(jù)的中心節(jié)點特征、鄰域節(jié)點特征以及節(jié)點間的特征差值輸入所述特征提取單元，通過所述特征提取單元得到所述點云數(shù)據(jù)中點云之間所連接的邊特征；
將所述邊特征輸入特征聚合單元，通過所述特征聚合單元得到所述點云數(shù)據(jù)中各個頂點所有邊的特征聚合數(shù)據(jù)。
3.根據(jù)權(quán)利要求2所述的基于圖卷積和通道注意力機制的點云分類方法，其特征在于，所述KNN圖卷積模塊的個數(shù)為2個，且所述特征聚合單元中采用MAX函數(shù)運算得到所述點云數(shù)據(jù)中各個頂點所有邊的特征聚合數(shù)據(jù)。
4.一種基于圖卷積和通道注意力機制的點云分割方法，其特征在于，包括：
將點云數(shù)據(jù)輸入預(yù)設(shè)點云分割模型，其中，所述點云分割模型包括：至少一個KNN圖卷積模塊和通道注意力模塊；
依次通過各個所述KNN圖卷積模塊提取所述點云數(shù)據(jù)中所含點云數(shù)據(jù)中每個頂點所有邊的特征聚合數(shù)據(jù)；
將所述特征聚合數(shù)據(jù)依次經(jīng)過多層感知器和池化處理后，得到第一全局點云特征；
將所述第一全局點云特征輸入所述通道注意力模塊，通過所述通道注意力模塊得到調(diào)整后的第二全局點云特征；
將各個所述KNN圖卷積模塊提取到的多個特征聚合與調(diào)整后的第二全局點云特征做級聯(lián)，通過多層感知器處理后得到點云分割結(jié)果；
所述將所述第一全局點云特征輸入所述通道注意力模塊，通過所述通道注意力模塊得到調(diào)整后的第二全局點云特征的步驟包括：
對所述第一全局點云特征進行通道分組，得到多個全局點云特征分組；其中，通道分組的維度分為K個組，每個組向量的維度為d，K和d均為正整數(shù)；
利用平均池化方法計算出各個全局點云特征分組的局部特征；
將各個全局點云特征分組中的全局點云特征與其自身所在全局點云特征分組計算出的局部特征做點積，得到各個全局點云特征分組的初始注意力分?jǐn)?shù)；
對各個所述初始注意力分?jǐn)?shù)進行歸一化處理，并利用激活函數(shù)對歸一化處理的結(jié)果進行激活，得到激活后的注意力分?jǐn)?shù)；
將各個全局點云特征分組中的全局點云特征與其自身所在全局點云特征分組激活后的注意力分?jǐn)?shù)相乘，得到各個全局點云特征分組的分組特征；
將各個分組特征進行級聯(lián)計算，得到與所述點云數(shù)據(jù)對應(yīng)的全局特征。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于深圳大學(xué)，未經(jīng)深圳大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010018275.3/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇：一種短波通信的實現(xiàn)方法
- 下一篇：一種煙幕干擾效能獲取方法
