欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023102633775
申请人: 东华理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种加强局部与全局的点云语义分割图卷积网络,其特征在于:采用编码器-解码器架构;动态图卷积神经网络DGCNN通过将点云坐标、颜色信息作为特征,并利用该特征对每个点进行k近邻搜索,随后计算每个点与其相邻点特征的差值,将中心点特征与该差值进行拼接,从而构建了新的特征图,利用多层感知机MLP与最大池化学习新的特征图局部特征信息;包括局部几何加强模块LGA,全局几何特征模块GGF,多个聚合操作,反向残差模块RevResMLP;其中,所述LGA模块,用于加强点云局部的特征表示;

所述GGF模块,用于保留全局几何信息;

所述多个聚合操作模块,用于将局部最大响应值和其他信息保留;

所述反向残差模块RevResMLP,用于挖掘更深层次信息;

所述LGA模块通过计算局部内每个点与该局部质心点的相对角度,获取相对极坐标表示;

所述GGF模块获取点云局部与全局的体积比,将其与点云坐标特征相连接;

所述多个聚合操作将最大池化与求和池化的结果进行连接;

所述反向残差模块RevResMLP将输入特征先升维再降维,然后将输出结果与输入数据进行相加。

2.一种如权利要求1所述的卷积网络的工作方法,其特征在于,包括以下步骤:步骤1:输入点云数据和相应的超参数;

步骤2:进行点云语义分割操作,被采样的点进入编码器对点云进行编码;

步骤3:在GRes模块中加强点云局部与保留点云全局几何信息,其中LGA模块用来加强点云局部特征表示,GGF模块保留全局几何信息。具体如下:LGA模块步骤如下:

1)计算出局部区域内所有点的距离与角度如公式(1)至公式(3)所示;为点pi与点之间的距离,为点pi与点之间的角度;定义:为点pi的k个近邻点,i表示某个局部区域;

其中,是点pi在笛卡尔坐标系中的坐标;

2)计算局部内质心点的角度,通过局部区域的点坐标计算出质心根据公式(2)与公式(3)计算出其的角度;

3)计算出质心点与局部内所有点的相对角度如公式(4)与公式(5)所示;

GGF模块步骤如下:

根据公式(6)计算出全局点云的体积与局部点云的体积,然后根据公式(7)计算出局部点云体积与全局点云体积之比;

步骤4:应用多个聚合操作将局部最大响应值和其他信息保留,如公式(8)、公式(9)与公式(10)所示;

Infomax=max(input)(8)Infosum=sum(input)(9)Info=Concat(Infomax,Infosum)(10)其中,input为输入特征数据;max与sum分别为最大池化操作和求和操作;Concat操作为将Infomax与Infosum进行拼接;

步骤5:在RevResMLP模块中挖掘更深层次信息,如公式(11)、公式(12)与公式(13)所示;

inputknn=KNN(input)     (11)其中,input为输入特征数据;inputknn为input进行K近邻搜索后获取的局部数据;为多层感知机;

步骤6:使用最远采样点操作FPS进行下采样操作;

步骤7:将输出的点云作为解码器的输入进行解码操作;

步骤8:将输入的点云进行上采样,随后将其与编码器内对应层的输出进行连接;

步骤9:将结果通过2层多层感知机,并输出。