【技术实现步骤摘要】
一种基于主动学习和半监督的三维点云语义分割标注方法
[0001]本专利技术涉及自动驾驶
,具体涉及一种基于主动学习和半监督的三维点云语义分割标注方法。
技术介绍
[0002]近年来,随着计算机视觉、人工智能以及遥感测绘等技术的发展,三维目标检测、同时定位和建图、三维重建、语义分割等技术日渐成熟,点云的数据量增长迅速,人们对于点云数据高级语义理解方面的需求也与日俱增。点云语义分割Point Cloud Semantic Segmentation(PCSS)作为点云数据处理和分析的关键基础技术,在机器人、遥感以及自动驾驶领域有着广泛的应用。近年来,借助深度学习技术,点云语义分割任务取得了重大突破,并成为研究热点。特别是在过去五年,一些公开的点云语义分割数据集也被发布,例如ScanNet,S3DIS,SemanticKITTI,许多基于深度学习框架的新奇点云语义分割方法被提出,这些方法在数据集上表现出优异的性能,使得点云分割精度的榜首一次又一次被刷新。
[0003]为了确保模型拥有优异的性能,深度学习通常需要从大量标注的数据中提取知识,优化大量的参数。但是,相比标注数据的规模,模型的性能还没有饱和。而且,标注数据大量数据会花费巨大人力和时间,且有时只能相关专业人士才能标注数据。另外标注成本也会根据不同目标任务变化巨大。例如在标注过程中,在2D图像上选择一个封闭的多边形区域,获得语义标注的操作是相对低成本的,但是逐点标注3D点集数据花费的成本较大。更重要的是,3D点云数据通常是无序且稀疏的,且一帧点云通常包含点 ...
【技术保护点】
【技术特征摘要】
1.一种基于主动学习和半监督的三维点云语义分割标注方法,其特征在于,包括如下步骤:S1:利用构造的点云匹配评分函数,从原始点云数据集中获得一个代表性子集;S2:将代表性子集中的每帧点云分割成若干个小的区域,生成分割区域;S3:计算分割区域信息度,即利用softmax信息熵和点云强度,计算分割区域的信息度;S4:根据计算出的每块区域信息度,筛选出信息度高的K个区域(Top
‑
K)进行人工标注;得到标记子集D
L
和未标注子集D
U
;S5:利用标记子集D
L
对神经网络进行多轮训练;在所需的训练轮次,利用训练后的神经网络对未标注子集D
U
中的分割区域块进行预测,根据预测得到的分割区域块在两个分类类别之间的概率差值S
mar
判断是否将该分割区域块赋以伪标签,将赋以伪标签的分割区域D
pseudo
从未标记子集D
U
中拿出并添加到标记子集D
L
,并进行下一轮训练。2.根据权利要求1所述的基于主动学习和半监督的三维点云语义分割标注方法,其特征在于,所述的S1为:S11:给定一个包含n帧点云的序列S={s1,s2,
…
,s
n
},将s1作为当前目标帧,s2作为当前输入帧;S12:利用NDT算法计算目标帧和输入帧的匹配分数score
match
;如果score
match
小于某设定阈值δ
match
,就将当前输入帧从序列中删除,接着将序列中的下一帧作为当前输入帧,重复S12;如果score
match
不小于某设定阈值δ
match
,则在序列中保留当前输入帧,并以当前输入帧作为下一次匹配的目标帧,接着将序列中的下一帧作为下一次匹配的输入帧,重复S12进行下一次匹配;S13:序列内所有帧点云完成匹配后,结束S12,得到代表性子集S={s
′1,s
′2,
…
,s
′
m
}。3.根据权利要求2所述的基于主动学习和半监督的三维点云语义分割标注方法,其特征在于,所述匹配分数score
match
公式如下:其中,x
′
i
表示输入点云帧中的点x
i
根据位姿变换矩阵转换到目标帧点云坐标系的坐标;和q
i
分别代表点x
′
i
在正态分布下的协方差矩阵的逆和均值,t为向量的转置。4.根据权利要求1所述的基于主动学习和半监督的三维点云语义分割标注方法,其特征在于,所述的S2为:S21:使用VCCS算法对代表性子集中的每帧点云进行处理,生成几何约束的超体素;S22:利用LCCP算法对超体素邻接图进行分割,通过...
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。