基于注意力机制的3D点云分类方法、终端设备及存储介质技术

本公开提供一种基于注意力机制的3D点云分类方法、终端设备及计算机可读存储介质，其中，所述方法包括：创建注意力机制神经网络模型，所述注意力机制神经网络模型包括M层相连的注意力机制卷积网络层；将3D点云逐级输入至所述注意力机制卷积网络层中，得到3D点云中所有点的点类特征；以及，基于3D点云中所有点的点类特征对所述3D点云进行分类。本公开针对3D点云的无序等特性，创建基于注意力机制的神经网络模型，在学习过程中可以关注到3D点云中重要的点及其特征持续被神经网络关注，且能够考虑到到点云中边的属性，相较于普通神经网络而言点云的分类结果准确率更高。言点云的分类结果准确率更高。言点云的分类结果准确率更高。

【技术实现步骤摘要】
基于注意力机制的3D点云分类方法、终端设备及存储介质


[0001]本公开涉及计算机视觉
，尤其涉及一种基于注意力机制的3D点云分类方法、一种终端设备以及一种计算机可读存储介质。

技术介绍

[0002]3D点云是3D对象表面几何构造的一种无序化表示，可通过3D深度相机等3D视觉技术采集获取，3D点云可在三维物体重建、逆向工程设计、无人驾驶、机器人等领域中应用。因此，在机器视觉领域，已经有2D向3D视觉发展的趋势，3D点云数据也正在迅速增长。
[0003]与人类视觉不同的是，如何教会机器准确地识别3D对象并进行3D点云的高效分类，是一项极具挑战的任务，虽然目前已提出利用神经网络对3D点云进行深度学习来完成对3D点云的分类工作，来提高点云分类的准确定，但由于点云中的点有坐标，除了考虑点的属性，还要考虑边的属性，采用普通图神经网络进行点云分类时，其准确率较低。

技术实现思路

[0004]本公开提供了一种基于注意力机制的3D点云分类方法、终端设备及计算机可读存储介质，以至少解决目前采用普通神经网络对3D点云分类准确率低等问题。
[0005]为实现上述目的，本公开提供一种基于注意力机制的3D点云分类方法，包括：
[0006]创建注意力机制神经网络模型，所述注意力机制神经网络模型包括M层相连的注意力机制卷积网络层；
[0007]将3D点云逐级输入至所述注意力机制卷积网络层中，得到3D点云中所有点的点类特征；以及，
[0008]基于3D点云中所有点的点类特征对所述3D点云进行分类。
[0009]在一种实施方式中，所述方法还包括：
[0010]在所述注意力机制卷积网络层中插入残差连接。
[0011]在一种实施方式中，在将3D点云逐级输入至所述注意力机制卷积网络层中之前，还包括：
[0012]对3D点云进行对称变换，得到经过对称变换的3D点云；
[0013]将3D点云逐级输入至所述注意力机制卷积网络层中，得到所述3D点云中所有点的点类特征，包括：
[0014]将经过对称变换的3D点云逐级输入至所述注意力机制卷积网络层中，得到所述3D点云中所有点的点类特征。
[0015]在一种实施方式中，对3D点云进行对称变换，包括：
[0016]采用PointNet对称函数对3D点云进行对称变换。
[0017]在一种实施方式中，将3D点云逐级输入至所述注意力机制卷积网络层中，得到3D点云中所有点的点类特征，包括：
[0018]将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积
网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征；
[0019]对3D点云中所有点最终的全局点类特征和局部边缘点类特征进行池化聚合操作，得到3D点云中所有点的点类特征。
[0020]在一种实施方式中，所述方法还包括：
[0021]在所述注意力机制卷积网络层中插入EgeConv点云局部特征提取算法；
[0022]将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征，包括：
[0023]将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，基于所述EgeConv点云局部特征提取算法分别提取第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中的3D点云中所有点的局部边缘点类特征。
[0024]在一种实施方式中，将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征，包括：
[0025]将3D点云输入至第1层注意力机制卷积网络层中，提取3D点云所有点的初始全局点类特征和初始局部边缘点类特征；
[0026]将所述初始全局点类特征和初始局部边缘点类特征进行池化聚合，得到所述初始全局点类特征和初始局部边缘点类特征的一维特征向量；
[0027]将所述一维特征向量送入编码器
‑
解码器结构学习所述一维特征向量的共享注意力权重；
[0028]采用Sigmoid门控函数对所述共享注意力权重进行重新校准，得到校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重；
[0029]基于校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重获取3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；
[0030]将3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；
[0031]将3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；
[0032]判断下一层注意力机制卷积网络层是否为第M层，若是，则将3D点云所有点在本层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征。
[0033]在一种实施方式中，将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征，包括：
[0034]将3D点云输入至第1层注意力机制卷积网络层中，提取3D点云所有点的初始全局点类特征和初始局部边缘点类特征；
[0035]将所述初始全局点类特征和初始局部边缘点类特征进行池化聚合，得到所述初始
全局点类特征和初始局部边缘点类特征的一维特征向量；
[0036]将所述一维特征向量送入编码器
‑
解码器结构学习所述一维特征向量的共享注意力权重；
[0037]采用Sigmoid门控函数对所述共享注意力权重进行重新校准，得到校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重；
[0038]基于校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重获取3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；
[0039]将3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；
[0040]将3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的3D点云分类方法，其特征在于，包括：创建注意力机制神经网络模型，所述注意力机制神经网络模型包括M层相连的注意力机制卷积网络层；将3D点云逐级输入至所述注意力机制卷积网络层中，得到3D点云中所有点的点类特征；以及，基于3D点云中所有点的点类特征对所述3D点云进行分类。2.根据权利要求1所述的方法，其特征在于，还包括：在所述注意力机制卷积网络层中插入残差连接。3.根据权利要求1所述的方法，其特征在于，在将3D点云逐级输入至所述注意力机制卷积网络层中之前，还包括：对3D点云进行对称变换，得到经过对称变换的3D点云；将3D点云逐级输入至所述注意力机制卷积网络层中，得到所述3D点云中所有点的点类特征，包括：将经过对称变换的3D点云逐级输入至所述注意力机制卷积网络层中，得到所述3D点云中所有点的点类特征。4.根据权利要求3所述的方法，其特征在于，对3D点云进行对称变换，包括：采用PointNet对称函数对3D点云进行对称变换。5.根据权利要求3所述的方法，其特征在于，将3D点云逐级输入至所述注意力机制卷积网络层中，得到3D点云中所有点的点类特征，包括：将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征；对3D点云中所有点最终的全局点类特征和局部边缘点类特征进行池化聚合操作，得到3D点云中所有点的点类特征。6.根据权利要求5所述的方法，其特征在于，还包括：在所述注意力机制卷积网络层中插入EgeConv点云局部特征提取算法；将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征，包括：将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，基于所述EgeConv点云局部特征提取算法分别提取第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中的3D点云中所有点的局部边缘点类特征。7.根据权利要求5或6所示的方法，其特征在于，将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征，包括：将3D点云输入至第1层注意力机制卷积网络层中，提取3D点云所有点的初始全局点类特征和初始局部边缘点类特征；将所述初始全局点类特征和初始局部边缘点类特征进行池化聚合，得到所述初始全局点类特征和初始局部边缘点类特征的一维特征向量；将所述一维特征向量送入编码器
‑
解码器结构学习所述一维特征向量的共享注意力权重；
采用Sigmoid门控函数对所述共享注意力权重进行重新校准，得到校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重；基于校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重获取3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；将3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；将3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；判断下一层注意力机制卷积网络层是否为第M层，若是，则将3D点云所有点在本层...

【专利技术属性】
技术研发人员：范天伟，安岗，佟曼，王金石，李森，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：