一种基于最大池化指导的自适应三维点云局部采样方法技术

本发明专利技术提出一种基于最大池化指导的自适应三维点云局部采样方法，包括，获取三维图像的点云数据；使用深度视觉模块得到点云数据中每个点的特征以及每个点对应的坐标，对点云数据进行采样并将采样后的每一个点作为中心点；使用局部采样方法对中心点采样M个邻域点；将中心点特征以及邻域点与中心点的坐标差输入到自适应邻域评分模块，得到M个邻域点的分数，选择分数最高的N个邻域点作为最终的邻域点。本发明专利技术设计一种了更为有效的局部采样方法，通过自适应的邻域点评分模块选择更有效的邻域点，减少冗余点的数量。减少冗余点的数量。减少冗余点的数量。

【技术实现步骤摘要】
一种基于最大池化指导的自适应三维点云局部采样方法


[0001]本专利技术属于计算机点云分析和特征学习


技术介绍

[0002]随着3D传感器的发展，点云分析任务越来越受到人们的重视。与2D深度学习不同的是，由于点云数据是稀疏无序的，在2D领域较为成功的模型并不能直接应用到点云数据上。而PointNet和PointNet++被提出用于解决以上问题，其通过提出的局部采样方法和聚合层来提取点云的局部几何特征，这种方法使得点云分析的性能得到巨大提升。后续的一些工作在PointNet++的基础上，通过设计更有效建模点云局部几何特征的架构来改善任务性能。然而，尚未有工作直观的去分析现有局部采样方法的局限性并对其进行改善。
[0003]最大池化是点云模型中最常用的聚合方法，本专利技术通过观察发现，最大池化可以自适应的选择邻域中的有效点，这是因为没有被最大池化捕获的点在邻域特征聚合时不会提供有效特征，因此可以简单的认为这些点是冗余点。在此基础上，本专利技术发现虽然PointNet++及其变体等模型使用的局部采样方法如kNN，ball query本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最大池化指导的自适应三维点云局部采样方法，其特征在于，包括以下步骤：获取三维图像的点云数据；使用深度视觉模块得到所述点云数据中每个点的特征以及所述每个点对应的坐标，对所述点云数据进行采样并将采样后的每一个点作为中心点；使用局部采样方法对所述中心点采样M个邻域点；将中心点特征以及邻域点与中心点的坐标差输入到自适应邻域评分模块，得到所述M个邻域点的分数，选择分数最高的N个邻域点作为最终的邻域点。2.根据权利要求1所述的方法，其特征在于，所述深度视觉模块包括PointNet++、PointMLP，所述局部采样方法包括kNN、ball query。3.根据权利要求1所述的方法，其特征在于，所述自适应邻域评分模块由三层MLP组成，输入是中心点的特征以及邻域点与中心点的坐标差。4.根据权利要求1所述的方法，其特征在于，所述将中心点特征以及邻域点与中心点的坐标差输入到自适应邻域评分模块，包括：使用第一层MLP对两个输入进行处理，并将所述两个输入的输出相乘后经过最后一层MLP得到M个邻域点的评分；其中还包括将所述最后一层MLP的输出设置为低维度。5.根据权利要求1所述的方法，其特征在于，还包括：使用最大池化筛选M个邻域点中的有效点，并将所述有效点作为正样本，冗余点作为负样本，然后使用二分类的任务来训练自适应邻域评分模块。6.一种基于最大池化指导的自适应三维点云局部采样装置，其特征在于，包括以下模块：获取模块，用于获取...

【专利技术属性】
技术研发人员：闫海滨，孙硕枫，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：