【技术实现步骤摘要】
基于竞争注意力融合的深度三维点云分类网络构建方法
本专利技术涉及一种基于竞争注意力融合的深度三维点云分类网络构建方法，属于计算机视觉中的三维点云分类
，尤其适用于含有噪声干扰的点云分类任务。
技术介绍
在计算机视觉应用中，对二维图像的分析处理有时不能满足实际应用的需要。三维点云数据极大程度上弥补了许多应用场景中二维图像对于空间结构信息的缺失。随着深度学习和神经网络的发展，关于三维点云的研究从低维几何特征转向高维语义理解。近年的许多研究采用基于深度神经网络的学习方法，这类方法依据不同的三维数据表达方式又可以分为：基于手工特征预处理、基于多视图、基于体素和基于原始点云数据的方法。原始三维数据表达简单，更能展现物体的原始立体表征，将三维点云作为输入避免了在卷积网络中输入多视图、体素这类规则化数据造成的不利因素，如不必要的体积划分和对点云数据不变性的影响。受采集设备以及坐标系影响，得到的三维点云数据的排列顺序差别很大。针对无序点云数据的分类和分割问题，PointNet网络开创性地提出直接处理稀疏的非结构化点云，使用多层...
【技术保护点】
1.一种基于竞争注意力融合的深度三维点云分类网络构建方法，其特征在于包括如下步骤：/n步骤1：对原始点云数据进行预处理；/n步骤2：构建CAF模块，形成竞争性注意力融合特征抽象层；/n步骤3：堆叠两层竞争性注意力融合特征抽象层，构建深度三维点云分类网络；/n步骤4：将第二层竞争性注意力融合特征抽象层最终输出的高维特征送入分类器，得到分类结果。/n
【技术特征摘要】
1.一种基于竞争注意力融合的深度三维点云分类网络构建方法，其特征在于包括如下步骤：
步骤1：对原始点云数据进行预处理；
步骤2：构建CAF模块，形成竞争性注意力融合特征抽象层；
步骤3：堆叠两层竞争性注意力融合特征抽象层，构建深度三维点云分类网络；
步骤4：将第二层竞争性注意力融合特征抽象层最终输出的高维特征送入分类器，得到分类结果。
2.根据权利要求1所述的基于竞争注意力融合的深度三维点云分类网络构建方法，其特征在于：步骤1中所述对原始点云数据进行预处理的过程中，并行批处理B个样本，对每个样本的N个原始点云数据进行预处理，具体方法是通过下采样的方式，对其进行采样，采样得到含有N0个点云数据的采样结果PSample。
3.根据权利要求1所述的基于竞争注意力融合的深度三维点云分类网络构建方法，其特征在于：步骤2中所述竞争性注意力融合特征抽象层由特征提取层和CAF模块两部分组成，首先，特征提取层接收来自竞争性注意力融合特征抽象层的输入数据Din，经过多层卷积网提取输入数据的高维特征Fext，将输入数据Din与高维特征Fext一同作为CAF模块的输入，在CAF模块中进行特征融合；
所述CAF模块包含MFSE子模块和FICSA子模块：
MFSE子模块关注不同层级全局特征的提取与融合，MFSE子模块将输入CAF模块的输入数据与高维特征分别进行池化和编码操作，其中为实数集，表示实数范围内维度为Ni×Ci的二维矩阵，Ni为当前阶段样本的点云数，Ci为当前阶段样本的特征通道数，i为不同矩阵维度的5个阶段的编号，得到编码后的特征(N3＝1为FMFSE-in的点云数，C3＝C1/r为FMFSE-in的特征通道数)和(N4＝1为FMFSE-ext的点云数，C4＝C2/r为FMFSE-ext的特征通道数)，公式如下：
其中P(·)是全局特征聚合的最大池化函数Maxpooling，φ(·)是全连接层和Relu激活函数，通道缩放比例r用于调节中间通道数；
然后，将上述两个编码特征按通道方向堆叠，得到堆叠结果N5＝1为FMFSE-Concat的点云数，C5＝(C1+C2)/r为FMFSE-Concat的特征通道数，公式如下：
随后，对该堆叠结果的通道数和特征图大小通过全连接层进行扩展，扩展至与高维特征Fext相同维度，将该特征作为MFSE子模块的输出FMFSE，公式如下：
...
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。