[發明專利]一種結合空間深度卷積和殘差結構的大尺度點云語義分割方法

在審

• 申請號: 202011048758.4
• 申請日: 2020-09-29
• 公開（公告）號: CN112215231A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 劉盛;黃圣躍;程豪豪;沈家瑜;陳勝勇
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/04
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊天嬌

本發明公開了一種結合空間深度卷積和殘差結構的大尺度點云語義分割方法，包括如下步驟：S1、構建語義分割模型；S2、采集預設場景的點云數據，得到點集P＝{p₁，p₂，…，p_i，…，p_N}和特征集F＝{f₁，f₂，…，f_i，…，f_N}，其中p_i和f_i分別為點云中第i個點的三維坐標和特征，N為點云中點的數量；S3、輸入點集和特征集至語義分割模型中；S4、獲得語義分割模型輸出點云中每個點的概率；S5、選擇每個點概率最大的分類作為預測標簽，根據預測標簽獲得預設場景的點云分割結果。本發明結合空間深度卷積和殘差結構進行點云語義分割，內存消耗和計算消耗減少，精度提高，可快速有效地一次性處理大尺度的場景點云。

技術領域

本發明屬于計算機視覺技術領域，具體涉及一種結合空間深度卷積和殘差結構的大尺度點云語義分割方法。

背景技術

目前，基于深度學習的點云語義分割技術在近年發展迅速，但現有技術中許多方法存在如下技術缺陷：內存消耗過大，存在無法直接一次性處理大尺度場景點云，需要分塊處理；計算消耗過大，無法快速的對場景點云進行語義分割；精度較低，構建的網絡結構不夠深以及感受野不夠大導致語義信息不足。

發明內容

本發明的目的在于針對上述問題，提出一種結合空間深度卷積和殘差結構的大尺度點云語義分割方法，減少內存消耗和計算消耗，提高精度，可快速有效地一次性處理大尺度場景點云。

為實現上述目的，本發明所采取的技術方案為：

本發明提出的一種結合空間深度卷積和殘差結構的大尺度點云語義分割方法，包括如下步驟：

S1、構建語義分割模型，語義分割模型包括多個階段，每個階段從輸入側到輸出側依次包括編碼器和解碼器，第一階段的編碼器前還包括拓展維度的線性層，第一階段的解碼器后還包括SegHead；各階段編碼器結合空間深度卷積和殘差結構對輸入特征進行編碼，強化語義信息，獲得編碼器的輸出特征；除最后一階段的其他階段編碼器的輸出特征經過下采樣層后傳遞給下一階段的編碼器；每階段的編碼器的輸出特征與下一階段解碼器的輸出特征經過上采樣層后共同輸入到本階段的解碼器中；第一階段解碼器的輸出特征經過SegHead輸出點云中每個點屬于每個類的概率；

S2、采集預設場景的點云數據，得到點集P＝{p₁，p₂，…，p_i，…，p_N}和點集對應的特征集F＝{f₁，f₂，…，f_i，…，f_N}，其中p_i和f_i分別為點云中第i個點的三維坐標和特征，N為點云中點的數量；

S3、輸入點集和特征集至語義分割模型中；

S4、獲得語義分割模型輸出點云中每個點的概率；

S5、選擇每個點概率最大的分類作為預測標簽，根據預測標簽獲得預設場景的點云數據分割結果。

優選地，編碼器包括至少一個SDR塊，編碼器中可選擇性增加DFA模塊，DFA模塊位于SDR塊的輸入側。

優選地，DFA模塊的輸入特征從輸入側到輸出側依次經過下采樣層、線性層、激活函數、SDC操作、線性層、激活函數和上采樣層獲得DFA中間特征，DFA模塊的輸入特征還與DFA中間特征結合，并經過線性層和激活函數獲得DFA模塊的輸出特征。

優選地，上采樣層的采樣方式為最近鄰插值。