[發明專利]基于注意力機制的3D點云分類方法、終端設備及存儲介質

在審

• 申請號: 202111495212.8
• 申請日: 2021-12-08
• 公開（公告）號: CN114170465A
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 范天偉;安崗;佟曼;王金石;李森
• 申請（專利權）人: 中國聯合網絡通信集團有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 羅建民;杜丹丹

1.一種基于注意力機制的3D點云分類方法，其特征在于，包括：

創建注意力機制神經網絡模型，所述注意力機制神經網絡模型包括M層相連的注意力機制卷積網絡層；

將3D點云逐級輸入至所述注意力機制卷積網絡層中，得到3D點云中所有點的點類特征；以及，

基于3D點云中所有點的點類特征對所述3D點云進行分類。

2.根據權利要求1所述的方法，其特征在于，還包括：

在所述注意力機制卷積網絡層中插入殘差連接。

3.根據權利要求1所述的方法，其特征在于，在將3D點云逐級輸入至所述注意力機制卷積網絡層中之前，還包括：

對3D點云進行對稱變換，得到經過對稱變換的3D點云；

將3D點云逐級輸入至所述注意力機制卷積網絡層中，得到所述3D點云中所有點的點類特征，包括：

將經過對稱變換的3D點云逐級輸入至所述注意力機制卷積網絡層中，得到所述3D點云中所有點的點類特征。

4.根據權利要求3所述的方法，其特征在于，對3D點云進行對稱變換，包括：

采用PointNet對稱函數對3D點云進行對稱變換。

5.根據權利要求3所述的方法，其特征在于，將3D點云逐級輸入至所述注意力機制卷積網絡層中，得到3D點云中所有點的點類特征，包括：

將3D點云逐級輸入到第1層的注意力機制卷積網絡層至第M層的注意力機制卷積網絡層中，得到3D點云中所有點最終的全局點類特征和局部邊緣點類特征；

對3D點云中所有點最終的全局點類特征和局部邊緣點類特征進行池化聚合操作，得到3D點云中所有點的點類特征。

6.根據權利要求5所述的方法，其特征在于，還包括：

在所述注意力機制卷積網絡層中插入EgeConv點云局部特征提取算法；

將3D點云逐級輸入到第1層的注意力機制卷積網絡層至第M層的注意力機制卷積網絡層中，得到3D點云中所有點最終的全局點類特征和局部邊緣點類特征，包括：

將3D點云逐級輸入到第1層的注意力機制卷積網絡層至第M層的注意力機制卷積網絡層中，基于所述EgeConv點云局部特征提取算法分別提取第1層的注意力機制卷積網絡層至第M層的注意力機制卷積網絡層中的3D點云中所有點的局部邊緣點類特征。

7.根據權利要求5或6所示的方法，其特征在于，將3D點云逐級輸入到第1層的注意力機制卷積網絡層至第M層的注意力機制卷積網絡層中，得到3D點云中所有點最終的全局點類特征和局部邊緣點類特征，包括：

將3D點云輸入至第1層注意力機制卷積網絡層中，提取3D點云所有點的初始全局點類特征和初始局部邊緣點類特征；

將所述初始全局點類特征和初始局部邊緣點類特征進行池化聚合，得到所述初始全局點類特征和初始局部邊緣點類特征的一維特征向量；

將所述一維特征向量送入編碼器-解碼器結構學習所述一維特征向量的共享注意力權重；

采用Sigmoid門控函數對所述共享注意力權重進行重新校準，得到校準后的初始全局點類特征的注意力權重以及校準后的初始局部邊緣點類特征的注意力權重；

基于校準后的初始全局點類特征的注意力權重以及校準后的初始局部邊緣點類特征的注意力權重獲取3D點云所有點在第1層注意力機制卷積網絡層的全局點類特征和局部邊緣點類特征；

將3D點云所有點在第1層注意力機制卷積網絡層的全局點類特征和局部邊緣點類特征輸入至下一層注意力機制卷積網絡層中，繼續獲取3D點云所有點在下一層注意力機制卷積網絡層的全局點類特征和局部邊緣點類特征；

將3D點云所有點在下一層注意力機制卷積網絡層的全局點類特征和局部邊緣點類特征輸入至下一層注意力機制卷積網絡層中，繼續獲取3D點云所有點在下一層注意力機制卷積網絡層的全局點類特征和局部邊緣點類特征；

判斷下一層注意力機制卷積網絡層是否為第M層，若是，則將3D點云所有點在本層注意力機制卷積網絡層的全局點類特征和局部邊緣點類特征輸入至第M層的注意力機制卷積網絡層中，得到3D點云中所有點最終的全局點類特征和局部邊緣點類特征。