[發明專利]基于全局特征學習和局部特征判別聚合的點云分割方法

在審

• 申請號: 202210740591.0
• 申請日: 2022-06-28
• 公開（公告）號: CN115131560A
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 孫海麗;張振鑫;李金城;鐘若飛;鄒建軍;許正文;陸悅;韓玉龍;任曉旭
• 申請（專利權）人: 首都師范大學;上海勃發空間信息技術有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06N3/04;G06V10/42;G06V10/44;G06V10/74;G06V10/82
• 代理公司: 蘇州科洲知識產權代理事務所(普通合伙) 32435
• 代理人: 周亮

1.基于全局特征學習和局部特征判別聚合的點云分割方法，其特征在于，其包括以下步驟：

步驟S1、設計特征感知增強FPE模塊，豐富每個點云的特征并擴展全局感受野；

步驟S2、設計局部信息挖掘LFDA模塊，學習更具有區別性的局部特征；

步驟S3、基于膠囊網絡設計全局特征捕捉GFC模塊；

步驟S4、設計基于自注意力的全局相關建模GCM模塊，用于構建全局相關性；

步驟S5、全局和局部信息捕捉模塊由FPE、LFDA、GFC組成，通過級聯多個全局和局部信息編碼模塊，在下采樣的同時，不斷擴展點的感受野；

步驟S6、改進加權交叉熵損失函數，解決盾構隧道典型要素類別數據分布不均衡的問題；

步驟S7、通過三個全連接層與一個Dropout層獲得最后的語義預測。

2.根據權利要求1所述的基于全局特征學習和局部特征判別聚合的點云分割方法，其特征在于，所述步驟S1中，所述FPE模塊包括相似性特征編碼模塊和混合池化模塊。

3.根據權利要求2所述的基于全局特征學習和局部特征判別聚合的點云分割方法，其特征在于，所述相似性特征編碼模塊的網絡輸入原始點云P∈R^N×(3+d)包含3D坐標以及特征信息，

所述3D坐標：(S∈R^N×3,S＝{s₁,…,s_i,…,s_N},s_i∈R^1×3)，

所述特征信息：(F∈R^N×d,F＝{f₁,…,f_i,…,f_N},f_i∈R^1×d)，

式中P表示所有輸入點云，N表示輸入點的數量，d是輸入點云特征信息的維度；P中的第i個點可以看作是p_i＝(s_i,f_i)^T。

4.根據權利要求3所述的基于全局特征學習和局部特征判別聚合的點云分割方法，其特征在于，使用相似性特征編碼模塊的方法為：

步驟S101、在相似性特征編碼模塊中，首先采用歐氏距離相似度基于特征空間和歐氏空間度量點的相似程度，并構建相似度矩陣，計算公式(1)所示：

式中Θ表示p_i,p_j的維度，x_i，y_i表示向量p_i和p_j在第i維度的值；

步驟S102、根據相似度矩陣，為每個點選擇最相似的κ個鄰近點

為了使鄰近點有豐富的空間信息，重新編碼鄰近點的特征，編碼方式如公式(2)：

式中[,]表示拼接操作，表示中心點i的第k個鄰近點的編碼后的特征，s_i表示中心點i的空間坐標，表示中心點i的第k個鄰近點的輸入特征，表示中心點i的第k個鄰近點的空間坐標；

步驟S103、通過多層感知機(MLP)操作學習鄰近點特征的高維表示：式中表示中心點i的第k個鄰近點的特征經過學習后的特征。