家具模型的数据分类方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供一种家具模型的数据分类方法、装置、电子设备及存储介质，其中，该方法包括：获取家具点云数据；对家具点云数据进行分割处理，获得拟合点云集合；构建基于Transformer的家具特征提取模型；根据拟合点云数据集合和家具特征提取模型获得分类结果。实施本申请实施例，减少了深度学习方法应用在家具领域的计算成本，并且不易丢失家具点云数据的深度信息，使得深度学习对于非结构数据的学习更加精准。学习更加精准。学习更加精准。

【技术实现步骤摘要】
家具模型的数据分类方法、装置、电子设备及存储介质


[0001]本申请涉及数据处理
，具体而言，涉及一种家具模型的数据分类方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]由于人工智能技术和激光雷达等采集设备的不断发展，越来越多的领域如家具分类、机器人、自主驾驶、增强和虚拟现实等实现了人工智能化，随着深度学习的不断发展，越来越多的家具分类、分割和检测等任务利用深度学习技术进行。然而，深度学习技术主要应用于具有结构化的数据，通常是用来处理家具领域的图片、文字等有具体结构的数据，而利用激光雷达采集到的家具点云数据属于非结构化的数据，使得利用深度学习直接对其进行处理非常具有挑战性。目前的方法通过将家具点云数据预处理为结构化网格格式来克服这一挑战，但这样做计算成本会成倍的增加，且会丢失一部分深度信息，导致结果并不理想。

技术实现思路

[0003]本申请实施例的目的在于提供一种家具模型的数据分类方法、装置、电子设备及计算机可读存储介质，减少了深度学习方法应用在家具领域的计算成本，并且不易丢失家具点云数据的深度信息，使得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种家具模型的数据分类方法，其特征在于，所述方法包括：获取家具点云数据；对所述家具点云数据进行分割处理，获得拟合点云集合；构建基于Transformer的家具特征提取模型；根据所述拟合点云数据集合和所述家具特征提取模型获得分类结果。2.根据权利要求1所述的分类方法，其特征在于，所述对所述家具点云数据进行分割处理，获得拟合点云集合的步骤，包括：对所述家具点云数据进行归一化处理，获得归一化后的家具点云数据；提取所述归一化后的家具点云数据中的家具表面点云数据；根据多个所述家具表面点云数据获得多个三角形点云片；根据多个所述三角形点云片获得拟合点云集合，任意一个所述三角形点云片中的点到所述三角形点云片的曲面的距离在一个集合中。3.根据权利要求2所述的分类方法，其特征在于，所述根据所述三角形点云片获得拟合点云集合的步骤，包括：获取k个三角形点云片聚类；根据所述三角形点云片获得全局误差；根据所述k个三角形点云片聚类和所述全局误差，获得拟合点云集合。4.根据权利要求3所述的分类方法，其特征在于，所述根据所述三角形点云片获得全局误差的步骤，包括：获取拟合平面；根据所述三角形点云片和所述拟合平面获得偏差；根据所述偏差计算拟合误差；根据所述拟合误差计算全局误差。5.根据权利要求1所述的分类方法，其特征在于，所述构建基于Transformer的家具特征提取模型的步骤，包括：根据所述家具点云数据构建层级特征学习网络；根据所述特征学习网络构建上采样网络和下采样网络；根据所述层级特征学习网络、所述上采样网...

【专利技术属性】
技术研发人员：刘玉丹，王胜，
申请(专利权)人：广东三维家信息科技有限公司，
类型：发明
国别省市：