【技术实现步骤摘要】
一种类间表征对比驱动的图卷积点云语义标注方法
[0001]本专利技术公开一种类间表征对比驱动的图卷积点云语义标注方法，属于摄影测量
技术介绍
[0002]随着三维数据采集技术的高速发展，三维激光雷达系统以其快速、直接、高精度获取地表三维空间信息的优势，成为当前不可或缺的三维数据获取手段，目前已被广泛应用于自动驾驶、计算机视觉、机器人等前沿领域。离散三维点云数据是三维激光雷达系统获取的应用最为广泛的数据形式，鉴于其只包含三维空间的位置信息而不承载语义信息，因此离散三维点云语义标注是其后续应用的基础性工作。其语义标注的基本原理是利用计算机对不同地物在三维点云数据中所反映的不同特征进行定量分析，把每个点划归为若干个类别中的某一种，从而建立离散三维点云与其语义标签的关联机制。
[0003]由于离散三维点云数据具有无序性和非结构化的特性，难以利用传统的卷积神经网络处理，最初通过将离散三维点云数据离散化处理为规则的数据格式，如体素、多视图等。基于体素化的方法是在将点云体素化表达的基础上对其进行三维(3D)卷积运算，体素...
【技术保护点】
【技术特征摘要】
1.一种类间表征对比驱动的图卷积点云语义标注方法，其特征在于，包括：S1.利用几何结构编码描述点云邻域结构；S2.将各编码层中几何结构编码信息进行多层间传递，依据不同感受野下的几何结构信息为邻近点语义关系的挖掘提供更丰富的空间基础；S3.结合结构信息与语义特征融合图卷积模块，以邻域图结构为基础，在局部邻域范围内，通过传递边卷积以及注意力池化实现邻域信息的层内提取与传递，利用几何结构信息充分挖掘相邻点间的语义相关性，不断丰富语义特征信息；S4.以类间表征对比作为驱动，利用对比损失函数使相同类别高维度语义特征在特征空间中聚集，使不同类别点语义特征尽可能远离，使用类间表征对比损失和交叉熵损失熵协同驱动优化策略对分类结果利用梯度反向传播进行训练；S5.构建点云语义标注网络模型，利用点云语义标注网络模型进行三维点云数据的语义标注测试实验。2.根据权利要求1所述的一种类间表征对比驱动的图卷积点云语义标注方法，其特征在于，S1包括：定义一个张量P＝[p1,p2,
…
,p
i
]
T
来表示空间中的点云，其中p
i
表示第i个点，为每一个中心点建立局部邻域，构建K邻近算法搜寻距离每个中心点最近的K个点，采用欧氏距离为距离度量方式，得到第i个点的局部邻域[p1,p2,
…
,p
n
]，空间位置编码r
i
为：其中表示每个中心点所对应的K个邻域点，‖‖表示中心点与其邻域点的欧氏距离，[
…
]表示在特征维度上进行级联操作，获取到的点云几何结构信息r，该张量大小可表示为其中表示特定形状大小的张量，N表示点云数量，10表示由空间位置编码所描述的特征维度，其表述的特征是邻域范围内的，通过注意力池化操作实现点云特征信息在邻域内的聚合，得到各个点对应几何结构编码g，该张量大小可表示为3.根据权利要求2所述的一种类间表征对比驱动的图卷积点云语义标注方法，其特征在于，设g
m
为第m层中得到几何结构编码信息，经过前层几何结构编码传递后得到包含不同感受野点云几何结构编码g
m
′
：g
m
′
＝[g1,DS(g
m
‑1),
…
,DS(g
m
)]，其中，DS表示下采样操作；点云语义特征表示为F＝[f1,f2,
…
,f
n
]，将第m层g
m
′
与语义特征F在特征维度上进行级联后，输入结构信息与语义特征融合图卷积模块，结果表示为：G＝[g
m
′
,F]。4.根据权利要求3所述的一种类间表征对比驱动的图卷积点云语义标注方法，其特征在于，结构信息与语义特征融合图卷积模块包括传递边卷积层、注意力池化层和残差堆叠图卷积。5.根据权利要求4所述的一种类间表征对比驱动的图卷积点云语义标注方法，其特征在于，所述传递边卷积层进行信息传递的过程包括：S2.1.构建图模型，以KNN获取每个点最邻近的K个点的索引，并建立中心点与邻域点间的有向边；S2.2.获取边向量，在建立有向边时使用富有语义信息的特征向量和具有邻域结构的几何编码信，边向量表示为：其中G
i
表示第i个点对应的几何结构编码,表示第i个点对应邻域下第j个点的几何结构编码，则表示第i个点与对应邻域下第j个点间
...
【专利技术属性】
技术研发人员：王旭哲，杨俊涛，李滨，杜俊健，陶昭彤，乔丹，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
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。