【技术实现步骤摘要】
一种基于注意力机制的点云下采样方法
[0001]本专利技术属于点云下采样领域，特别是涉及一种基于注意力机制的点云下采样方法。
技术介绍
[0002]随着三维传感器的快速发展，近年来获取三维数据变得越来越容易。由于点云能够在三维空间提供丰富的几何、形状和尺度信息，基于点云的各种应用正在增加，包括自动驾驶、虚拟现实、增强现实、机器人等。然而，点云数据量大、格式不规则、具有稀疏性，因此处理和传输难度大。为了克服这一挑战，点云下采样成为简化点云的一种流行且有效的方法，从而节省存储空间，减少传输带宽和通信负载。
[0003]传统的点云下采样方法包括随机采样(RS)，最远点采样(FPS)，泊松圆盘采样(PDS)等。它们通过迭代生成均匀分布的样本，从而保留原始点云的几何结构。然而，这些下采样方法只关注于减少几何采样损失，严重降低了后续应用任务的性能。通常，对于三维点云，我们不仅希望简化的点云保持其原始形状，还希望其适用于后续应用任务。这些要求可以通过训练网络同时满足采样损失和任务损失来实现。
[0004]点云的应用任务通常...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的点云下采样方法，其特征在于：网络结构为：给定一个包含N个点的点云P，该网络通过注意感知采样模块生成采样点云Q'，然后通过约束匹配模块来匹配这些点以获得Q，以保证Q是原始点云P的子集，最后，将Q应用于后续的分类任务；注意感知采样模块包括两个模块：输入嵌入模块和注意模块；通过输入嵌入模块将原始点云P映射到高维特征空间，该模块可以表征点之间的语义亲和关系，以作为各种点云处理任务的基础，首先学习与原始点云P相关的d维嵌入特征k∈R
N
×
d
，同时，给定采样数目M，也可以获得高维特征q∈R
M
×
d
；通过输入嵌入模块，获得与原始点云P相关的d维嵌入特征k，以及与采样大小M相关的高维特征q后，根据注意力机制，q和k之间使用MLP学习相似性，并获得与原始点云对应的采样点云的注意图，此注意图包括M行、N列，第i行表示第i个采样点与原始点云中所有N个不同点之间的相关性；然后通过softmax函数对该注意图进行归一化后，得到的采样图更接近理想的采样矩阵；最后，执行原始点云P和采样图S的加权和，以获得采样点云Q'；约束匹配模块在约束匹配模块中同时约束采样映射图的行和列，我们选择此行中的最大数字并强制它为1，并检查是否采样映射图的每一列仅包含一个元素1，如果一列同时包含两个元素1，则其中一行中第二大数字的位置被指定为1。2.根据权利要求1所述的一种基于注意力机制的点云下采样方法，其特征在于：所述输入嵌入模块中，基于点云特征提取分为基于点的方法和基于体素的方法；基于点的分支提取每个点的特征具体步骤如下：首先，多层感知机MLP用于提取每个点的逐点特征；然后，将其分为两个通道，一个是得到d1维逐点特征，另一个是通过最大池操作获得整个点云的d2维全局特征；最后，相加两个通道，即可获得点分支的特征。3.根据权利要求1所述的一种基于注意力机制的点云下采样方法，其特征在于：所述基于体素的方法，具体步骤如下：步...
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。