基于图卷积和半监督学习网络的城市场景语义分割方法技术

本发明专利技术公开了基于图卷积和半监督学习网络的城市场景语义分割方法，包括如下步骤：S1、预训练图卷积网络以获得初始化参数；S2、一次输入原始点集，输出特征向量；S3、对原始点集根据每个点的邻域计算特征向量；S4、计算特征向量和的距离作为损失函数以调整图卷积网络的参数；S5、利用有标签数据为无标签数据分配伪标签；S6、对分配了伪标签的进行语义分割并预测每个点的类别。本发明专利技术的方法仅需少量有标注数据即可实现城市道路场景语义分割。现城市道路场景语义分割。现城市道路场景语义分割。

【技术实现步骤摘要】
基于图卷积和半监督学习网络的城市场景语义分割方法


[0001]本专利技术涉及计算机图形学领域，具体涉及基于图卷积和半监督学习网络的城市场景语义分割方法。

技术介绍

[0002]点云作为一种非结构化的三维数据，相比于体素、网格等数据格式，其表征物体更精确、灵活和多样，在智慧城市领域中具有广泛的应用。例如，在规划城市建设中，使用点云生成数字交通地图，辅助交通线路、城区建设等的规划，以提高规划效率和精度；在环境监测与分析中，可以利用点云数据对实际场景进行三维建模，用于分析地貌、水文地质以及建筑物损坏等情况，方便城市的管理与维护。
[0003]在实际的智慧城市应用中，点云从获取到应用通常可以分为以下五个步骤：（1）点云采集；（2）点云预处理；（3）点云特征提取；（4）点云语义分割；（5）下游模型部署与应用。
[0004]上述步骤的一个难点在于特征提取和语义分割需要大量的标注数据进行模型训练。在特征提取和语义分割上，传统方法是采用手动设计特征描述符提取特征或采用深度学习方法利用神经网络自动提取特征，从而分别实现语义分割。但这些方法的训练过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图卷积和半监督学习网络的城市场景语义分割方法，其特征在于：包括如下步骤：S1、利用公开且标注的城市道路数据集预训练图卷积网络，以获得图卷积网络中各层的初始化参数；S2、向初始化后的图卷积网络中一次输入原始点集，中的点仅含有坐标xyz和颜色rgb信息，利用所述图卷积网络输出特征向量；S3、对步骤S2中原始点集的每个点使用k
‑
NN，寻找k个邻近点组成邻域，根据每个点的邻域计算特征向量；S4、计算特征向量和的距离作为损失函数，所述损失函数用于调整步骤S2中所述图卷积网络的参数；S5、将原始点集作为目标语义分割数据集，其含有有标签数据和无标签数据，其中，所述有标签数据的数据量占所述原始点集的比例为1%~10%，然后在半监督学习网络中利用有标签数据为无标签数据分配伪标签；S6、将步骤S5中分配了伪标签的用于网络推理，语义分割并预测每个点的类别。2.如权利要求1所述的基于图卷积和半监督学习网络的城市场景语义分割方法，其特征在于：所述步骤S2具体为：S21、利用所述图卷积网络的编码器对所述原始点集进行编码得到编码特征；S22、再利用所述图卷积网络的解码器对编码特征进行解码得到解码特征；S23、经过MLP将解码特征映射输出为特征向量；其中，特征向量中的每个点的维度表示为，和分别代表编码出的坐标和颜色特征，r的下标表示特征通道，r的上标中1表示均值，2表示方差。3.如权利要求2所述的基于图卷积和半监督学习网络的城市场景语义分割方法，其特征在于：所述步骤S3具体为：对步骤S2中原始点集的每个点使用k
‑
NN寻找k个邻近点组成邻域，并根据每个点的邻域计算特征向量，其中，每个点的维度表示为：；该计算过程为：该计算过程为：该计算过程为：其中，表示每个点的邻域坐标通道的均值，表示每个点的邻域颜色通道的均值，表示每个点的邻域颜色通道的方差，取1,2,3，该自学习过程设置与每个特征通道相对应，用于计算特征距离，n表示每个点的k个邻近点的索引。4.如权利要求3所述的基于图卷积和半监督学习网络的城市场景语义分割方法，其特
征在于：所述步骤S4具体为：设步骤S2中输入到所述图卷积网络的原始点集含有个点，则坐标距离计算为欧式距离，颜色距离计算为曼哈顿距离；坐标距离的损失函数为：颜色距离的损失函数为：最终，损失函数为：其中，为原始点集中每个点的索引，和是两个超参数，在该图卷积网络中和分别设置为1/3和2/3；使用该损失函数对步骤S2中的图卷积网络训练，进一步调整其编码器与解码器的参数。5.如权利要求4所述的基于图卷积和半监督...

【专利技术属性】
技术研发人员：王程，陈钧，陈一平，
申请(专利权)人：厦门大学，
类型：发明
国别省市：