【技术实现步骤摘要】
一种高精度通用的三维点云识别方法
[0001]本专利技术涉及计算机视觉
，属于一种基于深度学习的三维识别技术，具体来说，是一种高精度通用的三维点云识别方法，通过建立一个统一的网络框架完成对场景中点云分类、部分分割和语义分割的任务，以达到高精度点云识别的目的。
技术介绍
[0002]近年来，二维图像的识别已经在应用中取得了一定的成功，但由于实际场景中物体均以三维形式存在，有效的对三维场景进行理解能够促进智能系统(如机器人、自动驾驶、虚拟/增强现实等技术)的快速发展。点云作为一种能够直观表示三维场景空间和几何形状信息的数据形式，被广泛应用于三维场景理解的研究中。目前，随着激光扫描等传感器技术的进步，点云数据采集获取已变得较为容易，但相关点云智能化处理识别方法还处于萌芽状态。此外，由于应用环境的复杂多样性，需要建立一个通用的统一框架来完成不同的点云识别任务。
[0003]点云的识别任务有多种，一般可分为点云分类、点云部分分割、点云语义分割等，点云分类是指按照点云的形状特征将其划分到对应的类别，点云部分分割是指将点云组...
【技术保护点】
【技术特征摘要】
1.一种高精度通用的三维点云识别方法，其特征在于，包括：将包含特征信息的点云通过非线性映射得到原始点云在不同变换空间下的表示；将得到的表示使用图注意力卷积神经网络提取不同变换下点云的局部编码特征；将得到的表示应用全局空间融合，并将其索引映射得到不同变换下点云的全局编码特征，所述全局编码特征与局部编码特征具有相同的特征表示形式；将分别得到的局部编码特征和全局编码特征通过门控特征聚合机制得到融合后的点云特征；将融合后的点云特征送入分类器中得到预测结果；对于非线性映射得到原始点云在不同变换空间下的表示，应用希尔伯特
‑
施密特独立性指标衡量两两间相似度，建立独立性判别损失；构建整体预测损失函数并加入独立性判别损失用于网络训练和优化，同时保存合适的模型参数。2.根据权利要求1所述的三维点云识别方法，其特征在于，所述非线性映射采用多层感知机来完成。3.根据权利要求2所述的三维点云识别方法，其特征在于，所述将得到的表示应用图结构通过注意力卷积神经网络提取不同变换下点云的局部编码特征包括：对每...
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。