[發明專利]三維點云分割的方法、裝置、設備和存儲介質

在審

• 申請號: 202310257967.7
• 申請日: 2023-03-10
• 公開（公告）號: CN116385451A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 董秋雷;李嘉楠
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06V10/26;G06V10/764;G06V10/774;G06V10/80;G06F30/20;G06F111/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 龔利波

本發明實施例提供了一種三維點云分割的方法、裝置、設備和存儲介質，該方法包括：將三維點云輸入特征提取模型，獲得三維點云對應的所有第一點特征向量；基于點特征映射模型，確定第一點特征序列映射至新特征空間的結果；按照第一分類準則及原型集，確定第二點特征向量對應的類別；基于第二點特征向量對應的類別，確定第一點特征向量對應的類別，并對三維點云按照第一點特征向量對應的類別進行開集分割；本發明通過將三維點云對應的所有點特征，利用點特征映射模型，映射至新的特征空間，提升三維點云的點特征的區分度，對所有的點特征進行正確的分類，將未知類別的點特征標記為未知類別，從而提高三維點云中點特征屬于已知類或未知類的分辨度。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種三維點云分割的方法、裝置、設備和存儲介質。

背景技術

三維點云語義分割是計算機視覺領域中一個重要的研究主題，旨在對三維點云中的每個點賦予一個語義類別標簽。

現有的經典點云分割算法沒有考慮到開放世界中存在未知類別數據的情況，此類方法傾向于將所有的未知類別的點都錯誤分類為已知類別。這種錯誤在現實應用場景，如自動駕駛場景中，可能會造成極其嚴重的后果。

因此，在進行對已知類別識別的過程中，提高對未知類別的識別能力，并將其正確分類為未知類別，已成為本領域亟待解決的技術問題。

發明內容

針對現有技術中存在的技術問題，本發明提供一種三維點云分割的方法、裝置、設備和存儲介質。

第一方面，本發明提供一種三維點云分割的方法，包括：

將三維點云輸入特征提取模型，獲得所述三維點云對應的所有第一點特征向量，作為第一點特征序列；所述第一點特征向量用于表征所述三維點云對應的屬于已知類別的任一點特征；

基于點特征映射模型，確定所述第一點特征序列映射至新特征空間的結果，作為第二點特征序列；

按照第一分類準則以及原型集，確定第二點特征向量對應的類別；所述原型集包括所有屬于已知類別的原型向量；所述第二點特征向量為所述第二點特征序列中任一個向量；

基于所述第二點特征向量對應的類別，確定所述第一點特征向量對應的類別，并對所述三維點云按照所述第一點特征向量對應的類別進行開集分割；

所述點特征映射模型是基于樣本三維點云對應的點特征，以及生成對抗網絡訓練得到的，所述生成對抗網絡用于在訓練過程中引入屬于未知類別的點特征對所述三維點云的點特征分布進行優化。

可選地，所述生成對抗網絡由特征生成模型和特征判別模型構成；所述特征生成模型用于生成屬于未知類別的合成點特征，所述特征判別模型用于區分輸入的點特征為真特征或者假特征。

可選地，所述點特征映射模型是基于樣本三維點云對應的點特征，以及生成對抗網絡訓練得到的，所述訓練方法包括：

基于第一噪聲集，生成與所述第一點特征向量對應的合成點特征向量，且每個所述合成點特征向量均屬于未知類別；

基于所述合成點特征向量以及屬于未知類別的點特征的分布先驗，確定所述特征生成模型的第一目標函數；所述第一目標函數用于表征所述特征生成模型生成的所述合成點特征與第一點特征的相似度；

基于所述第一點特征向量，以及所述第一點特征向量對應的所述合成點特征向量，確定所述特征判別模型的第二目標函數；所述第二目標函數用于表征所述特征判別模型區分所述合成點特征和所述第一點特征的能力；

基于原型約束模塊的第一損失函數和所述未知類別點特征的分布先驗，確定所述點特征映射模型的第三目標函數；所述第三目標函數用于表征點特征和原型向量之間的差別；