一种基于特征复用的点云卷积神经网络制造技术

本发明专利技术公开了一种基于特征复用的点云卷积神经网络，包括w个并行的点云特征提取单元、一池化层和若干串联的全连接层，点云特征提取单元输入原始点云、输出共同连接至池化层，池化层的输出连接第一个全连接层；每个点云特征提取单元含N个采样模块和N‑1个特征复用模块，第1个采样模块之后串联第2个采样模块，第2个采样模块开始，采样模块与特征复用模块先后交替串联；各采样模块对各自的输入进行特征提取，各特征复用模块对各自的输入进行特征叠加复用；池化层对w个点云特征提取单元最终输出的w组特征按预设条件进行过滤；若干全连接层对池化层过滤后所筛选出的特征进行连接，将维度降至与所要分类的物体数目相等的特征维度数，实现物体分类。

【技术实现步骤摘要】
一种基于特征复用的点云卷积神经网络
本专利技术涉及3D点云数据处理
，具体涉及一种基于特征复用的点云卷积神经网络。
技术介绍
随着自动驾驶领域和高精度地图定位技术的迅猛发展，高效、准确地处理3D点云数据的技术变得越来越重要。一般而言，点云数据可通过CAD模型转化得到，也可直接通过LiDAR传感器或RGBD相机获取点云。由此衍生出，如何在3D点云的处理上达到对2D图像的效果，这成为一个非常值得探究的问题。3D点云处理技术面临的挑战主要包括以下方面：1)非结构化数据，没有规范的网格，难以进行卷积。点云是分布在空间中的三维坐标点，因此没有结构化的网格来实现有效的卷积，在点云领域至今没有规范的卷积范式；2)点云处理过程中的置换不变性要求。点云本质上是一长串空间中的点(n×3矩阵，其中n是点数)。在几何上，点的顺序不影响它在底层矩阵结构中的表示方式，相同的点云可以由两个完全不同的矩阵表示。3)采集的原始点云特点。通常环境噪声会造成采集到的点云数据有很多干扰点，也会因为物体之间存在遮挡、光照条件不充足导致点云采本文档来自技高网...

【技术保护点】
1.一种基于特征复用的点云卷积神经网络，其特征在于：包括w个并行的点云特征提取单元、一池化层和若干全连接层，w个并行的点云特征提取单元的输入是w组原始点云、输出共同连接至所述池化层的输入端，若干全连接层串联，所述池化层的输出端连接于第一个全连接层的输入端；/n在每个点云特征提取单元中：包含N个采样模块和N-1个特征复用模块，N≥2，其中，第1个采样模块之后串联第2个采样模块，从第2个采样模块开始的后N-1个采样模块与所述N-1个特征复用模块按先后顺序交替串联，所述先后顺序是指采样模块在前、特征复用模块在后；各采样模块用于对各自的输入以采样的方式进行特征提取，各特征复用模块用于对各自的输入进行特...

【技术特征摘要】
1.一种基于特征复用的点云卷积神经网络，其特征在于：包括w个并行的点云特征提取单元、一池化层和若干全连接层，w个并行的点云特征提取单元的输入是w组原始点云、输出共同连接至所述池化层的输入端，若干全连接层串联，所述池化层的输出端连接于第一个全连接层的输入端；
在每个点云特征提取单元中：包含N个采样模块和N-1个特征复用模块，N≥2，其中，第1个采样模块之后串联第2个采样模块，从第2个采样模块开始的后N-1个采样模块与所述N-1个特征复用模块按先后顺序交替串联，所述先后顺序是指采样模块在前、特征复用模块在后；各采样模块用于对各自的输入以采样的方式进行特征提取，各特征复用模块用于对各自的输入进行特征叠加复用，其中，第一个采样模块的输入为原始点云，第二个采样模块的输入为第一个采样模块的输出，后面N-2个采样模块的输入分别为与之相邻的前一个特征复用模块的输出；每个特征复用模块的输入包含该特征复用模块之前的所有采样模块的输出；
所述池化层对w个点云特征提取单元最终输出...

【专利技术属性】
技术研发人员：刘厚德，阮见，张郑，王学谦，朱晓俊，梁斌，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44