一种基于深度学习的点云分类方法技术

本发明专利技术提供一种基于深度学习的点云分类方法，属于三维点云数据处理领域，采用残差网络模型中应用通道注意力机制以及改进分类器的方式，对点云数据集进行分类处理。本发明专利技术中的残差网络解决了深度学习网络随着网络层数增加出现的梯度爆炸问题，提高了模型的泛化能力；通道注意力机制通过学习每个通道的重要程度，进行权重分配，提高了点云特征提取能力；通过改进分类器，进一步提高了点云数据分类的准确度。确度。确度。

【技术实现步骤摘要】
一种基于深度学习的点云分类方法


[0001]本专利技术涉及三维点云数据处理领域，尤其涉及一种基于深度学习的点云分类方法。

技术介绍

[0002]随着三维扫描技术的快速发展，三维点云数据已被广泛的应用于自动驾驶、文物保护和测绘地理信息等技术上。近年来，越来越多的学者将深度学习应用在点云数据处理中，而点云分类是点云数据应用的一个重要分支，也是重要的热点研究方向，而三维点云的数据结构的无序性、稀疏性、非结构化特点使得点云的分类极具挑战性。
[0003]近年来深度学习不断发展，点云分类方法取得了显著进步。根据点云数据的处理方式，分为基于投影的方法、基于原始点云的方法。其中，基于投影的方法包括基于多视图的方法和基于体素的方法，通过将无序的、稀疏的、不规则的三维点云转换成规则的二维图像或体素网格，然后通过传统卷积神经网络对二维图像提取特征；基于原始点云的方法通过直接处理原始点云，实现三维点云的分类处理，保留了点云信息的完整性。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度学习的点云分类方法，以解决现有技术中存在的技术问题，提高点云数据分类的准确度。
[0005]为实现上述专利技术目的，本专利技术方法包括以下步骤：
[0006]S1、输入点云数据集，对点云数据集进行预处理；
[0007]进一步的，对所述点云数据集预处理过程，包括：
[0008]对所述点云数据进行栅格化处理，将点云数据栅格化成二维图像；
[0009]对所述栅格化后的点云数据集通过数据增强算法对进行随机旋转、随机平移、镜像翻转等操作处理；
[0010]对所述预处理后的点云数据集划分为训练集和测试集；
[0011]S2、构建残差网络模型，在残差网络模型中应用通道注意力机制；
[0012]进一步的，对所述的构建残差网络模型具体方法，包括：
[0013]对所述的训练集数据输入到残差网络中，在每个卷积层后进行归一化和ReLU激活，通过跳跃连接到其他层与卷积后的输出相加求和；
[0014]对所述的求和后的特征图输入到通道注意力模块，输入H
×
W
×
C的特征图，使用全局平均池化对特征图进行压缩，得到两个1
×1×
C的特征图；
[0015]对所述的经过全局平均池化后的特征图，将其送入一个两层的神经网络，第一层神经元个数为C/r，激活函数为ReLU，第二层神经元个数为C，输出新特征图进行相加求和，再通过激活函数Sigmoid得到通道权重，将每个通道的权重和对应的原始特征进行相乘加权，得到数据集新的的特征信息；
[0016]S3、建立K
‑
means聚类算法模型，替换网络模型中的Softmax层，得到改进后的网络
模型；
[0017]进一步的，对所述的建立K
‑
means聚类算法模型的具体方法，包括：
[0018]根据选取的K值作为聚类的初始中心点，按照距离大小将数据点划分到离它最近的类，通过求平均值来更新中心点，再得到新的中心点后继续分类，直至各类中心点不再变化，此时迭代完成，形成聚类模型；
[0019]S4、将点云数据集输入改进后的网络模型中进行训练和测试；
[0020]进一步的，对所述网络模型的训练和测试方法，包括：
[0021]采用Adam优化器对网络模型进行优化，设置初始学习率为0.001，使用交叉熵损失函数，将训练集输入网络模型进行训练迭代，直至模型收敛，保留训练完成的网络模型。将测试集输入训练完成的点云分类模型，得到点云分类结果；
[0022]S5、获取点云分类模型，输出分类结果。
[0023]相比于现有技术，本专利技术的有益成果在于：
[0024]本专利技术提供了一种基于深度学习的点云分类方法，其通过对点云原始数据进行预处理，先对引入注意力机制的残差网络模型进行训练，再将预处理后的点云数据输入到训练完成的点云分类模型，最后输出最终点云分类结果。与现有其他点云分类方法相比，提高了对点云数据分类的准确率，具有较好的泛化能力和鲁棒性。
附图说明
[0025]图1是本专利技术实施例提供的方法的流程示意图；
[0026]图2是本专利技术实施例中残差网络模型图；
[0027]图3是本专利技术实施例中通道注意力模块图；
具体实施方式
[0028]下面结合附图并举实施例，对本专利技术的具体实施方式进行详细描述。
[0029]如图1所示，本专利技术提供了一种基于深度学习的点云分类方法,包括残差网络和通道注意力机制两部分，以解决现有技术中存在的技术问题，提高点云数据分类的准确度。
[0030]如图2、图3所示，深度学习网络模型采用残差网络和通道注意力机制，残差网络的主要结构是残差单元，通过跳跃连接防止特征信息的丢失，能够在一定程度上解决深度学习网络随着网络层数增加出现的梯度爆炸问题，提高模型的泛化能力。通道注意力机制通过学习每个通道的重要程度，进行权重分配，提高了特征表达能力。
[0031]如图1所示，本专利技术提供了一种基于深度学习的点云分类方法，具体包括以下步骤：
[0032]首先输入点云数据集，再对点云数据集进行预处理；构建残差网络模型，在残差网络模型中应用通道注意力机制；建立K
‑
means算法模型，替换网络模型中的softmax层，得到改进后的网络模型；将点云数据集输入改进后的网络模型中进行训练；得到点云分类模型，输出分类结果。
[0033]在本专利技术的实施例中，下面对点云数据集的预处理方法做详细说明：
[0034]使用公开三维点云数据集ModelNet40作为点云数据来源，对点云数据进行栅格化处理，将点云数据栅格化成二维图像；对栅格化后的点云数据集进行数据增强操作，如随机
旋转、随机平移、镜像翻转；将预处理后的点云数据集分为训练集和测试集；
[0035]其中，点云数据具有不规则、无序性的特点，不能直接应用于卷积神经网络中，需要将点云数据投影到二维平面后成为规则的二维图像，再通过数据增强算法进行处理能够增加训练样本的数量，避免产生过拟合现象，能够提高模型的泛化能力和鲁棒性。
[0036]如图2所示，在本专利技术的实施例中，残差网络具体的构建方法为：
[0037]构建引入通道注意力模块的残差网络，在残差网络模型中包括输入层、卷积层、池化层、全连接层和输出层。
[0038]首先输入训练集，经过卷积、激活、池化处理，在每个卷积层后进行归一化和ReLU激活，并通过通道注意力模块，然后跳跃连接到其他层与卷积后的输出相加，其过程公式表示为：
[0039]H(x)＝x+F(x)
[0040]其中，x指输入集，y是输出集，F(x)是卷积操作。
[0041]如图3所示，在本专利技术的实施例中，通道注意力模块具体的构建方法为：
[0042]输入H
×
W
×
C的特征图，使用全局最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的点云分类方法，其特征在于，所述方法包括：输入点云数据集，对点云数据集进行预处理；构建残差网络模型，在残差网络模型中应用通道注意力机制；建立K
‑
means算法模型，替换网络模型中的softmax层，得到改进后的网络模型；将点云数据集输入改进后的网络模型中进行训练和测试；得到点云分类模型，输出分类结果。2.根据权利要求1所述的基于深度学习的点云分类方法，其特征在于，对所述点云数据集预处理过程为：对点云数据进行栅格化处理，将点云数据栅格化成二维图像；对栅格化后的点云数据集进行数据增强操作，如随机旋转、随机平移、镜像翻转；将预处理后的点云数据集分为训练集和测试集。3.根据权利要求1所述的基于深度学习的点云分类方法，其特征在于，对所述构建残差网络模型的具体方法为：构建引入通道注意力模块的残差网络，在残差网络模型中包括输入层、卷积层、池化层、全连接层和输出层；输入训练集，经过卷积、激活、池化处理，在每个卷积层后进行归一化和ReLU激活，并通过通道注意力模块，然后跳跃连接到其他层与卷积后的输出相加。4.根据权利要求3所述的基于深度学习的点云分类方法，其特征在于，对所述构建通道注意力模块的具体方法为：输入H
...

【专利技术属性】
技术研发人员：杨家志，沈洁，陈梦强，于广旺，周国清，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：