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

本发明专利技术公开了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，该方法首先利用构造的点云匹配评分函数，挑选出一个具有代表性的子集。然后利用两种无监督算法，将一帧点云分割成若干个小的区域。在每次主动学习循环中，先计算每个小区域的点云强度信息值和信息熵，再从中选出二者和值中较大的若干个区域进行人工标记。为了有效利用未标注数据，借助无监督学习方法，选择相对当前模型而言置信度较高小区域赋以伪标签。最后将伪标签数据和人工标记数据一起输入给深度语义分割模型进行网络训练。由此能够极大地提升标注效率，减少人工标注成本。工标注成本。工标注成本。

【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，本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：叶山顶，傅永健，潘之杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：