[發明專利]基于局部判別性增強的無監督三維物體分類方法

在審

• 申請號: 202110784487.7
• 申請日: 2021-07-12
• 公開（公告）號: CN113408651A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 黃宇楠;雷蘊奇;王其聰;陳伶俐;蔡珊珊
• 申請（專利權）人: 廈門大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 廈門南強之路專利事務所(普通合伙) 35200
• 代理人: 馬應森

基于局部判別性增強的無監督三維物體分類方法，涉及計算機視覺技術。包括以下步驟：A.準備用于三維物體分類的點云數據集；B.對原始點云樣本進行數據增強，保留原始點云樣本和增強后的點云樣本；C.對比每個點云樣本的原始版本和數據增強后的版本，提取每個點云樣本的高維全局特征；D.使用點云樣本的高維全局特征挖掘不同局部結構的相關性和判別性，進而增強點云樣本局部特征的判別性；E.融合點云樣本增強后的局部特征和高維全局特征得到判別性增強的融合特征；F.訓練線性支持向量機，使用點云樣本的融合特征進行無監督分類。可以有效學習點云物體具有判別性的表示特征，從而提升無監督三維物體分類的性能。

技術領域

本發明涉及計算機視覺技術，具體是涉及一種基于局部判別性增強的無監督三維物體分類方法。

背景技術

傳統的無監督三維物體分類方法使用神經網絡提取點云物體的高維全局特征，根據高維全局特征進行分類，忽略物體局部結構特征的重要性，使得學習到的特征的判別性較弱，比如Achlioptas等人(Achlioptas,Panos,O.Diamanti,IoannisMitliagkas andL.Guibas.“Learning Representations and Generative Models for 3D PointClouds.”ICML(2018))在特征提取過程中獨立學習點云樣本中每個點的特征，融合每個點的特征得到物體的高維全局特征。

卷積神經網絡的成功證明物體局部結構特征的重要性，部分方法考慮到局部特征的重要性，結合局部特征以改善學習到的物體表示特征的判別能力。比如Rao等人(Rao,Yongming,Jiwen Lu and J.Zhou.“Global-Local Bidirectional Reasoning forUnsupervised Representation Learning of 3D Point Clouds.”2020IEEE/CVFConference on Computer Vision and Pattern Recognition(CVPR)(2020):5375-5384)在特征提取過程中將點云樣本分成多個子集，每個子集是一個局部結構，使用神經網絡提取每個局部結構的特征。但是這些方法等同考慮物體局部結構的重要性，沒有考慮到不同的局部結構對物體表示具有不同的貢獻。You等人(You,Haoxuan,Y.Feng,R.Ji and YueGao.“PVNet:A Joint Convolutional Network of Point Cloud and Multi-View for 3DShape Recognition.”Proceedings of the 26th ACM international conference onMultimedia(2018):n.pag)考慮到局部結構不同的重要性，使用多視角數據提取出的特征挖掘原始點云數據不同局部結構之間的相關性，然而有標簽的多視角數據和原始點云數據難以獲取，不適用于只有一種無標簽的點云數據的場景。

發明內容

本發明提出一種基于局部判別性增強的無監督三維物體分類方法。其特征在于，搭建深度網絡框架，學習點云樣本的高維全局特征，并使用高維全局特征增強局部特征的判別性。首先對原始點云樣本進行隨機數據增強，約束原始點云樣本和增強后的點云樣本提取出的特征的相似性，以此學習點云樣本的高維全局特征。通過計算高維全局特征與局部特征的相關性以增強局部特征的判別性，融合判別性最強的局部特征和高維全局特征，最后使用融合特征訓練線性支持向量機進行無監督三維物體分類。

本發明包括以下步驟：

A.準備用于三維物體分類的點云數據集；

B.對原始點云樣本進行數據增強，保留原始點云樣本和增強后的點云樣本；

C.對比每個點云樣本的原始版本和數據增強后的版本，提取每個點云樣本的高維全局特征；

D.使用點云樣本的高維全局特征挖掘不同局部結構的相關性和判別性，進而增強點云樣本局部特征的判別性；