[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

本公開提供一種基于注意力機制的3D點云分類方法、終端設備及計算機可讀存儲介質，其中，所述方法包括：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。本公開針對3D點云的無序等特性，創建基于注意力機制的神經網絡模型，在學習過程中可以關注到3D點云中重要的點及其特征持續被神經網絡關注，且能夠考慮到到點云中邊的屬性，相較于普通神經網絡而言點云的分類結果準確率更高。

技術領域

本公開涉及計算機視覺技術領域，尤其涉及一種基于注意力機制的3D點云分類方法、一種終端設備以及一種計算機可讀存儲介質。

背景技術

3D點云是3D對象表面幾何構造的一種無序化表示，可通過3D深度相機等3D視覺技術采集獲取，3D點云可在三維物體重建、逆向工程設計、無人駕駛、機器人等領域中應用。因此，在機器視覺領域，已經有2D向3D視覺發展的趨勢，3D點云數據也正在迅速增長。

與人類視覺不同的是，如何教會機器準確地識別3D對象并進行3D點云的高效分類，是一項極具挑戰的任務，雖然目前已提出利用神經網絡對3D點云進行深度學習來完成對3D點云的分類工作，來提高點云分類的準確定，但由于點云中的點有坐標，除了考慮點的屬性，還要考慮邊的屬性，采用普通圖神經網絡進行點云分類時，其準確率較低。

發明內容

本公開提供了一種基于注意力機制的3D點云分類方法、終端設備及計算機可讀存儲介質，以至少解決目前采用普通神經網絡對3D點云分類準確率低等問題。

為實現上述目的，本公開提供一種基于注意力機制的3D點云分類方法，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。

在一種實施方式中，所述方法還包括：

在所述注意力機制卷積網絡層中插入殘差連接。

在一種實施方式中，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。

在一種實施方式中，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。

在一種實施方式中，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。

在一種實施方式中，所述方法還包括：

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；