专利交易市场

一种基于图卷积与分组向量注意力机制的三维点云语义分割方法，采用U‑Net风格的网络结构，通过多层次的特征编解码对点云进行特征提取与传播，每个层次首先通过几何仿射模块对局部邻域特征进行中心化和标准化，增强模型对局部区域多样性的捕获能力；其次，构建局部邻域图，设计非对称边缘特征学习函数提取局部拓扑信息；结合残差网络进一步提取深层边缘特征；最终，使用分组向量注意力机制在低参数量的条件下选择性融合局部特征与全局上下文信息，经过跨层次的特征插值上采样至原始尺度完成点云分割。本发明能够显著提高点云分割精度，并适用于移动机器人等搭载三维传感器的设备对复杂场景的感知。

本发明公开了一种结合空间深度卷积和残差结构的大尺度点云语义分割方法，包括如下步骤：S1、构建语义分割模型；S2、采集预设场景的点云数据，得到点集P＝{p1，p2，…，pi，…，pN}和特征集F＝{f1，f2，…，fi，…，fN}，其中pi和fi分别为点云中第i个点的三维坐标和特征，N为点云中点的数量；S3、输入点集和特征集至语义分割模型中；S4、获得语义分割模型输出点云中每个点的概率；S5、选择每个点概率最大的分类作为预测标签，根据预测标签获得预设场景的点云分割结果。本发明结合空间深度卷积和残差结构进行点云语义分割，内存消耗和计算消耗减少，精度提高，可快速有效地一次性处理大尺度的场景点云。

本发明公开了一种基于全融合网络的三维点云语义分割方法及系统，涉及计算机视觉的三维场景语义分割领域。该方法包括以下步骤：对点云进行层级下采样，提取高层语义特征和多尺度特征；对高层语义特征进行渐进式逐层解码，得到渐进式解码特征图；对多尺度特征分别进行特征解码，得到多层次解码特征图；将渐进式解码特征图与多层次解码特征图融合，得到的特征用于预测每个点的类别标签；根据预测的标签，更新网络参数。本发明能保留大小物体信息，准确预测点云类别。

本发明涉及一种基于对抗式学习与多模态学习的点云语义分割方法与系统，该方法包括如下步骤：在源领域与目标领域上，建立3D点云数据与2D前视图像之间的对应关系，将3D点云数据上的标签传递至2D前视图像的采样点上；根据包含类别标签的源领域数据以及无类别标签标注的目标领域数据，对判别器、二维图像子网络以及三维点云子网络进行训练，至收敛后以建立得到点云语义分割网络模型；将目标领域中的3D点云数据以及对应的2D前视图像输入至点云语义分割网络模型中，经语义分割网络模型计算得出点云语义分割结果。本发明提出的点云语义分割方法，可提高模型从源领域到目标领域的泛化性，并减小了标注的工作量。

本发明公开了一种基于点数据网络结构改进的点云语义分割方法。该发明可以进一步增强以PointNet++为代表的三维点云语义分割算法在不同应用场景下的性能。PointNet++网络利用了2层的点云编码结构和2层的解码结构来进行网络特征的提取，单个采样点最终聚合的空间点信息时不充足的，且PointNet++网络复用了大量的MLP网络结构，在网络训练模型的过程中，很有可能导致网络模型出现过拟合现象。本发明提出的基于点数据网络结构改进的点云语义分割方法，通过加深网络的层数，使网络深度增加，从而让编码过程中，点的信息学习更加有效，并在网络最后的全连接层部分引入Dropout层。

本发明公开了一种基于多特征信息增强编码的三维点云语义分割方法。该发明可以进一步增强以PointNet++为代表的三维点云语义分割算法在不同应用场景下的性能。PointNet++网络在编码过程中，只是单纯的利用点和中心点的坐标差作为局部空间的几何信息构建显然是不够充分的。同时，对于点的附加信息，PointNet++网络直接将其和几何信息进行共同编码，这是一种对于点云附件信息的不恰当使用，点云信息在其中的作用很小。本发明提出的基于多特征信息增强编码的三维点云语义分割方法，添加点与中心点的原始坐标和欧式距离等信息，与坐标差共同进行局部空间的特征聚合，并将点的附加特征和几何特征分开编码，重新设计了一种基于点云多类特征的信息编码增强结构。