一种基于图注意力网络的三维点云分类方法技术

本发明专利技术公开了一种基于图注意力网络的三维点云分类方法，利用构建的图神经网络，完成对原始点云输入数据的点云分类；所述图神经网络包括特征提取层、两组交替分布的图注意力层和池化层、激活函数层、读出层、全连接层和输出层。采用图注意力机制，同时考虑点和边的属性，结合使用图的池化操作，将图逐步变小，构建图神经网络来对三维点云分类，从而可以有效的提高三维点云分类的准确率。采用本发明专利技术的方法对ModelNet40数据集(包含40个类别的CAD模型)进行分类处理，经测试，在该数据集上分类正确率为91.5％。为91.5％。为91.5％。

【技术实现步骤摘要】
一种基于图注意力网络的三维点云分类方法


[0001]本专利技术涉及一种三维点云分类方法，特别是一种基于图注意力网络的三维点云分类方法。

技术介绍

[0002]点云的分类是点云分析的常见任务之一。与图像这种规整的结构不同，点云中点的邻接点个数和位置是不确定的，无法使用普通的卷积，因为点之间有邻接关系，使用图神经网络比较合适。但是，因为点云中的点有坐标，除了考虑点的属性，还要考虑边的属性，即点之间的距离；采用普通图神经网络进行点云分类时，其准确率较低。因此，现有的技术存在着准确率较低的问题。

技术实现思路

[0003]本专利技术的目的在于，提供一种基于图注意力网络的三维点云分类方法。本专利技术具有能够有效提高准确率的特点。
[0004]本专利技术的技术方案：一种基于图注意力网络的三维点云分类方法，利用构建的图神经网络，完成对原始点云输入数据的点云分类；所述图神经网络包括特征提取层、两组交替分布的图注意力层和池化层、激活函数层、读出层、全连接层和输出层。
[0005]前述的一种基于图注意力网络的三维点云分类方法中，利用图神经网络完成点云分类的具体过程为：先通过2个图注意层和2个池化层从特征提取层提取相应点的特征；然后通过激活函数层对剩余点的特征求平均值，计算得到一个向量；读出层读取该向量并通过全连接层将该向量转变为另一向量，输出至输出层，输出层的输出值大小即为类别数。
[0006]前述的一种基于图注意力网络的三维点云分类方法中，特征提取层中包括点云的坐标矩阵C，维度是n
×<br/>3，n为点的个数，第二个维度是点的三维坐标；
[0007]还包括矩阵X0，维度为n
×
f0；f0＝1、3或4，分别表示点的灰度值、RGB值或RGBA值；
[0008]还包括表征点云边的属性的矩阵E。
[0009]前述的一种基于图注意力网络的三维点云分类方法中，所述矩阵E：E＝(e
ij
)，
[0010]e
ij
的计算过程为：
[0011]由矩阵C得到距离矩阵D，D＝(d
ij
)；
[0012]D＝norm(C[newaxis,:,:]‑
C[:,newaxis,:],axis＝
‑
1)；
[0013]引入一个虚拟节点，该虚拟节点与点云中所有点均相连，到点云中所有点的距离均为0，虚拟节点的输入特征也置为0；设截断为cutoff，记
[0014][0015]前述的一种基于图注意力网络的三维点云分类方法中，图注意力层的具体提取计算过程：
[0016]首先，用一个权重矩阵W变换输入特征，得到变换后的输入特征h；
[0017]h＝Wx
l
；其中，x
l
为第l层特征，W为权重矩阵；
[0018]接着，将点i的特征h
i
、点j的特征h
j
和边的特征e
ij
拼在一起，计算得到第i个点的注意力α
ij
，具体如下，
[0019]α
ij
＝softmax
j
{LeakyReLU(a
T
[h
i
||h
j
||e
ij
])}；
[0020]最终，将邻接点特征的聚合和点i本身特征进行组合得到点i的第l+1层特征，具体组合公式如下所示，
[0021]其中，c为一个可学习的变量；σ为激活函数，取atanh。
[0022]前述的一种基于图注意力网络的三维点云分类方法中，池化层的具体过程：
[0023]通过以下公式计算每个点的重要性
[0024]β
i
＝b
T
[h
i
||h
n
]；
[0025]其中，h
i
为第i个点的特征，h
n
为虚拟点的特征，b为参数；i从0～n
‑
1中取值；
[0026]然后，将这n个点按重要性从大到小排序，取前k个点和虚拟点；同时修改对应的矩阵E。
[0027]与现有技术相比，本专利技术利用图神经网络对三维点云进行分类，通过对图神经网络的构成进行改进，由特征提取层、两组交替分布的图注意力层和池化层、激活函数层、读出层、全连接层和输出层构成图神经网络，采用图注意力机制，同时考虑点和边的属性，结合使用图的池化操作，将图逐步变小，构建图神经网络来对三维点云分类，从而可以有效的提高三维点云分类的准确率。采用本专利技术的方法对ModelNet40数据集(包含40个类别的CAD模型)进行分类处理，经测试，在该数据集上分类正确率为91.5％。综上所述，本专利技术具有能够有效提高准确率的特点。
附图说明
[0028]图1是本专利技术的图神经网络结构示意图；
[0029]图2是本专利技术的训练误差图。
具体实施方式
[0030]下面结合实施例对本专利技术作进一步的说明，但并不作为对本专利技术限制的依据。
[0031]实施例。一种基于图注意力网络的三维点云分类方法，构成如图1和2所示，利用构建的图神经网络，完成对原始点云输入数据的点云分类；所述图神经网络包括特征提取层、两组交替分布的图注意力层和池化层(如图1所示，包括2个图注意力层和2个池化层)、激活函数层、读出层、全连接层和输出层。
[0032]利用图神经网络完成点云分类的具体过程为：先通过2个图注意层和2个池化层从特征提取层提取相应点的特征；然后通过激活函数层对剩余点的特征求平均值，计算得到
一个向量；读出层读取该向量并通过全连接层将该向量转变为另一向量，输出至输出层，输出层的输出值大小即为类别数。
[0033]特征提取层中包括点云的坐标矩阵C，维度是n
×
3，n为点的个数，第二个维度是点的三维坐标；
[0034]还包括矩阵X0，维度为n
×
f0；f0＝1、3或4，分别表示点的灰度值、RGB值或RGBA值；
[0035]还包括表征点云边的属性的矩阵E。
[0036]所述矩阵E：E＝(e
ij
)，
[0037]e
ij
的计算过程为：
[0038]由矩阵C得到距离矩阵D，D＝(d
ij
)
[0039]D＝norm(C[newaxis,:,:]‑
C[:,newaxis,:],axis＝
‑
1)
[0040]引入一个虚拟节点，该虚拟节点与点云中所有点均相连，到点云中所有点的距离均为0，虚拟节点的输入特征也置为0；设截断为cutoff，记
[0041][0042]图注意力层的具体提取计算过程：
[0043]首先，用一个权重矩阵W变换输入特征，得到变换后的输入特征h；
[0044]h＝Wx
l...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力网络的三维点云分类方法，其特征在于：利用构建的图神经网络，完成对原始点云输入数据的点云分类；所述图神经网络包括特征提取层、两组交替分布的图注意力层和池化层、激活函数层、读出层、全连接层和输出层。2.根据权利要求1所述的一种基于图注意力网络的三维点云分类方法，其特征在于，利用图神经网络完成点云分类的具体过程为：先通过2个图注意层和2个池化层从特征提取层提取相应点的特征；然后通过激活函数层对剩余点的特征求平均值，计算得到一个向量；读出层读取该向量并通过全连接层将该向量转变为另一向量，输出至输出层，输出层的输出值大小即为类别数。3.根据权利要求1所述的一种基于图注意力网络的三维点云分类方法，其特征在于：特征提取层中包括点云的坐标矩阵C，维度是n
×
3，n为点的个数，第二个维度是点的三维坐标；还包括矩阵X0，维度为n
×
f0；f0＝1、3或4，分别表示点的灰度值、RGB值或RGBA值；还包括表征点云边的属性的矩阵E。4.根据权利要求1所述的一种基于图注意力网络的三维点云分类方法，其特征在于：所述矩阵E：E＝(e
ij
)，e
ij
的计算过程为：由矩阵C得到距离矩阵D，D＝(d
ij
)；D＝norm(C[newaxis,:,:]
‑
C[:,newaxis,:],axis＝
‑
1)；引入一个虚拟节点，该虚拟节点与点云中所有点均相连，到点云中所有点的距离均为0，虚拟节点的输入特征也置为0；设截断为cutoff，记5....

【专利技术属性】
技术研发人员：吕孟东，俞宏群，吴月超，沈惠良，朱德康，彭礼平，侯进皎，程翔，许鹤鹏，王熙震，傅嘉辉，吕小锋，章伽宁，张学超，
申请(专利权)人：国家电网有限公司国网新源水电有限公司中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：