[發(fā)明專利]一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)及方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111473925.4
• 申請(qǐng)日: 2021-12-02
• 公開（公告）號(hào): CN114332302A
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計(jì)）人: 曾安;彭杰威;潘丹;鐘旭升;劉立程;陳揚(yáng)
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06T11/40
• 分類號(hào): G06T11/40;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 禹小明

1.一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)，其特征在于，包括：降采樣特征提取模塊、多尺度自注意力模塊、雙路稠密點(diǎn)云生成模塊，所述降采樣特征提取模塊用于對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行降采樣并提取降采樣后的點(diǎn)云特征，所述多尺度自注意力模塊利用降采樣后的點(diǎn)云點(diǎn)特提取點(diǎn)云的全局特征和缺失部分的點(diǎn)云特征與稀疏點(diǎn)云，所述雙路稠密點(diǎn)云生成模塊利用原始輸入部分點(diǎn)云和缺失部分的稀疏點(diǎn)云生成補(bǔ)全的點(diǎn)云。

2.根據(jù)權(quán)利要求1所述的一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)，其特征在于，所述降采樣特征提取模塊包括：最遠(yuǎn)距離采樣單元、鄰域圖構(gòu)建單元、多層感知機(jī)單元、最大池化層，所述最遠(yuǎn)距離采樣單元用于對(duì)輸入的點(diǎn)云進(jìn)行下采樣；所述領(lǐng)域圖構(gòu)建單元以降采樣得到的點(diǎn)為中心點(diǎn)使用k近鄰算法對(duì)每一點(diǎn)構(gòu)建局部鄰域圖，計(jì)算中心點(diǎn)與k個(gè)鄰域點(diǎn)構(gòu)成的邊特征；

所述多層感知機(jī)單元將得到的邊特征映射為預(yù)設(shè)維度的特征；

所述最大池化層對(duì)映射得到的預(yù)設(shè)維度特征進(jìn)行聚合并輸出得到降采樣后的點(diǎn)云特征。

3.根據(jù)權(quán)利要求1所述的一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)，其特征在于，所述多尺度自注意力模塊包括：編碼器和解碼器，所述編碼器用于提取輸入部分點(diǎn)云的全局特征，所述解碼器用于提取缺失部分的點(diǎn)云特征和缺失部分的稀疏點(diǎn)云。

4.根據(jù)權(quán)利要求3所述的一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)，其特征在于，所述編碼器包括：第一多頭注意力層、第一前饋網(wǎng)絡(luò)層，所述第一多頭注意力層的輸出作為第一前饋網(wǎng)絡(luò)層的輸入，降采樣點(diǎn)云特征依次經(jīng)過第一多頭注意力層、第一前饋網(wǎng)絡(luò)層處理輸出點(diǎn)云全局特征；

所述解碼器包括：第二多頭注意力層、編碼器-解碼器注意力層、第二前饋網(wǎng)絡(luò)層，所述第二多頭注意力層輸出作為編碼器-解碼器注意力層的輸入，所述編碼器-解碼器注意力層的輸出作為第二前饋網(wǎng)絡(luò)層輸入，編碼器輸出的點(diǎn)云全局特征依次經(jīng)過第二多頭注意力層、編碼器-解碼器注意力層、第二前饋網(wǎng)絡(luò)層處理得到缺失部分的點(diǎn)云特征和缺失部分的稀疏點(diǎn)云。

5.根據(jù)權(quán)利要求4所述的一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)，其特征在于，所述第一多頭注意力層和所述第二多頭注意力層具有相同的網(wǎng)絡(luò)結(jié)構(gòu)和處理流程，其中，處理流程具體為：

對(duì)輸入的點(diǎn)云特征利用多頭注意力機(jī)制進(jìn)行過濾處理，將過濾處理后的點(diǎn)云特征依次進(jìn)行線性變換、激活函數(shù)處理得到語(yǔ)義特征；

利用k近鄰算法對(duì)輸入的點(diǎn)云特征構(gòu)造局部鄰域圖并計(jì)算邊特征，基于鄰域圖和邊特征提取出多種尺度的局部特征，將提取的多種尺度的局部特征依次進(jìn)行線性變換、激活函數(shù)處理得到每個(gè)鄰域的幾何特征，并通過最大池化操作聚合局部鄰域內(nèi)的幾何特征；

將聚合后的幾何特征和語(yǔ)義特征連接后依次通過線性變換、激活函數(shù)處理得到特征的殘差值，將所述差殘值與原始輸入的點(diǎn)云特征相加得到多頭注意力層的輸出。

6.根據(jù)權(quán)利要求5所述的一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)，其特征在于，所述對(duì)輸入的點(diǎn)云特征利用多頭注意力機(jī)制進(jìn)行過濾處理具體過程為：使用三個(gè)不同參數(shù)的卷積操作分別提取輸入點(diǎn)云特征的查詢向量、鍵向量、值向量；

將查詢向量和鍵向量相乘得到對(duì)每個(gè)值的注意力權(quán)重，將該權(quán)重與對(duì)應(yīng)的值向量相乘即得到過濾處理后的點(diǎn)云特征。

7.根據(jù)權(quán)利要求4所述的一種基于多尺度自注意力網(wǎng)絡(luò)的點(diǎn)云補(bǔ)全系統(tǒng)，其特征在于，所述第一前饋網(wǎng)絡(luò)層和第二前饋網(wǎng)絡(luò)層均包括有：2個(gè)線性變換層和1個(gè)ReLU激活函數(shù)。