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等能较为有效的提取局部邻域，但同时会采样到大量的冗余点，这些点对于目标任务没有任何帮助。以PointNet++在S3DIS数据集上的点云分割任务为例，冗余点的比例高达65％，这意味着只有35％的邻域点能提供有效特征。因此现有局部采样方法的有效性仍有非常大的提升空间。本专利技术的目的就是通过设计一个新的局部采样方法来提高现有局部采样方法中的有效点数量，帮助模型更好的聚合局部特征，提高模型任务性能。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本专利技术的目的在于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，用于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。
[0006]为达上述目的，本专利技术第一方面实施例提出了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：
[0007]获取三维图像的点云数据；
[0008]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；
[0009]使用局部采样方法对所述中心点采样M个邻域点；
[0010]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。
[0011]另外，根据本专利技术上述实施例的一种基于最大池化指导的自适应三维点云局部采样方法还可以具有以下附加的技术特征：
[0012]进一步地，在本专利技术的一个实施例中，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。
[0013]进一步地，在本专利技术的一个实施例中，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。
[0014]进一步地，在本专利技术的一个实施例中，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：
[0015]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。
[0016]进一步地，在本专利技术的一个实施例中，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：
[0017]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。
[0018]进一步地，在本专利技术的一个实施例中，还包括：
[0019]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。
[0020]为达上述目的，本专利技术第二方面实施例提出了一种基于最大池化指导的自适应三维点云局部采样装置，包括以下模块：
[0021]获取模块，用于获取三维图像的点云数据；
[0022]预处理模块，用于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；
[0023]采样模块，用于使用局部采样方法对所述中心点采样M个邻域点；
[0024]输出模块，用于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。
[0025]为达上述目的，本专利技术第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种基于最大池化指导的自适应三维点云局部采样方法。
[0026]为达上述目的，本专利技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种基于最大池化指导的自适应三维点云局部采样方法。
[0027]本专利技术实施例提出的基于最大池化指导的自适应三维点云局部采样方法，首先提出了衡量邻域有效性的新指标。并且基于该新指标设计了自适应的轻量级邻域点评分模块，对于邻域点进行评分，选择更有效的点。同时对于邻域评分模块的训练，本专利技术不需要额外的监督信号，而是使用一个自我增强的学习框架为评分模块提供标签。
附图说明
[0028]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0029]图1为本专利技术实施例所提供的一种基于最大池化指导的自适应三维点云局部采样方法的流程示意图。
[0030]图2为本专利技术实施例所提供的一种最大池化筛选有效邻域点示意图。
[0031]图3为本专利技术实施例所提供的一种自我增强的学习框架示意图。
[0032]图4为本专利技术实施例所提供的一种基于最大池化指导的自适应三维点云局部采样装置的流程示意图。
具体实施方式
[0033]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0034]下面参考附图描述本专利技术实施例的基于最大池化指导的自适应三维点云局部采样方法。
[0035]图1为本专利技术实施例所提供的一种基于最大池化指导的自适应三维点云局部采样方法的流程示意图。
[0036]如图1所示，该基于最大池化指导的自适应三维点云局部采样方法包括以下步骤：
[0037]S101：获取三维图像的点云数据；
[0038]S102：使用深度视觉本文档来自技高网...

【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：