【技术实现步骤摘要】
三维点云的结构化方法、分类方法、设备及装置
本申请涉及神经网络处理
，特别是涉及三维点云的结构化方法、分类方法、设备及装置。
技术介绍
相对于二维图像领域，深度学习模型在三维形状上的研究起步较晚。图像是结构化的，可以表示为二维平面上的一个矩阵，但三维点云和网格都是非结构化的，不能直接输入到深度神经网络中。
技术实现思路
本申请主要解决的技术问题是提供一种三维点云的结构化方法、分类方法、设备及装置，能够实现非结构化的原始三维点云转化为结构化的图像数据。一方面，本申请提供一种基于反卷积神经网络的三维点云的结构化方法，该方法包括：通过局部特征提取网络对原始三维点云进行特征提取处理，进而得到以三维点云的多个点为中心点的局部区域的局部特征向量；通过反卷积神经网络对每一中心点所对应的局部特征向量进行反卷积映射处理，以获得多个局部特征映射图，局部特征映射图与局部特征向量一一对应；通过第一最大值池化层对多个局部特征映射图进行最大值池化处理，以得到融合图像。另一方面，本申请提供一种基于反卷积神经网络的...
【技术保护点】
1.一种基于反卷积神经网络的三维点云的结构化方法，其特征在于，所述方法包括：/n通过局部特征提取网络对原始三维点云进行特征提取处理，进而得到以所述三维点云的多个点为中心点的局部区域的局部特征向量；/n通过所述反卷积神经网络对每一所述中心点所对应的局部特征向量进行反卷积映射处理，以获得多个局部特征映射图，所述局部特征映射图与所述局部特征向量一一对应；/n通过第一最大值池化层对多个所述局部特征映射图进行最大值池化处理，以得到融合图像。/n
【技术特征摘要】
1.一种基于反卷积神经网络的三维点云的结构化方法，其特征在于，所述方法包括：
通过局部特征提取网络对原始三维点云进行特征提取处理，进而得到以所述三维点云的多个点为中心点的局部区域的局部特征向量；
通过所述反卷积神经网络对每一所述中心点所对应的局部特征向量进行反卷积映射处理，以获得多个局部特征映射图，所述局部特征映射图与所述局部特征向量一一对应；
通过第一最大值池化层对多个所述局部特征映射图进行最大值池化处理，以得到融合图像。
2.根据权利要求1所述的方法，其特征在于，所述局部特征提取网络包括至少一集合抽象层，所述集合抽象层包括采样层、分组层以及点网层；
所述通过局部特征提取网络对原始三维点云进行特征提取处理的步骤包括：
所述采样层以所述原始三维点云或经前一级所述集合抽象层输出的中心点集合作为输入点云，利用最远点采样算法从所述输入点云中采样出第一点云子集；
所述分组层从所述输入点云中查找以所述第一点云子集中的点为所述中心点的相邻区域点，以形成多个第二点云子集；
所述点网层分别对所述第二点云子集进行特征提取，以获得所述中心点所对应的局部特征向量。
3.根据权利要求2所述的方法，其特征在于，所述局部特征提取网络包括级联设置的至少两个集合抽象层，其中第一个所述集合抽象层以所述原始三维点云作为所述输入点云，后续的所述集合抽象层以前一级所述集合抽象层处理后的所述中心点的集合作为所述输入点云。
4.根据权利要求1所述的方法，其特征在于，所述反卷积神经网络包括至少一反卷积层；
所述通过所述反卷积神经网络对每一所述中心点所对应的局部特征向量进行反卷积映射处理的步骤包括：
所述反卷积层以所述中心点经上采样处理获得的上采样图像或前一级所述反卷积层输出的局部特征映射图作为输入图像，对所述输入图像进行反卷积映射处理，并输出经处理后的局部特征映射图。
5.根据权利要求4所述的方法，其特征在于，所述反卷积神经网络包括至少一深度残差层；
所述通过所述反卷积神经网络对每一所述中心点所对应的局部特征向量进行反卷积映射处理的步骤还包括：
通过所述深度残...
【专利技术属性】
技术研发人员：梁国远，陈帆，周翊民，何升展，吴新宇，冯伟，武臻，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。