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。