【技术实现步骤摘要】
多阶段深度学习的点云超分辨率方法、系统及电子设备
[0001]本专利技术涉及计算机视觉中的点云超分辨率
，特别是涉及一种多阶段深度学习的点云超分辨率方法、系统及电子设备。
技术介绍
[0002]在深度扫描设备使用愈发广泛的今天，点云数据作为三维数据的主流表示形式，相比于二维图像数据，蕴含有大量的深度信息以及更加丰富的显式或隐式状态下的空间几何信息。得益于点云数据的上述特性，点云数据被广泛使用于3D目标检测、无人驾驶汽车、智能机器人的研发和地形图测绘、古建筑重建、三维城市地图构建等领域中。例如：在3D目标检测领域，由激光雷达对现实世界直接扫描得到描述现实世界的点云数据，目标检测网络将对输入的点云数据的特征抽象编码，并从这些特征中实现对现实世界中的各类物体的分类和识别。正如人眼观察物体一样，对物体观察的越细致，对物体的分类和识别就会越准确。同理，如果传入目标检测网络的点云数据分辨率越高，那么目标检测网络能提取到每个物体的特征就会越丰富，进而对物体的分类和识别就会越准确。
[0003]然而，由于硬件技术和在点云数据获...
【技术保护点】
【技术特征摘要】
1.一种多阶段深度学习的点云超分辨率方法，其特征在于，包括：获取目标物体的稀疏点云数据；将所述稀疏点云数据输入至基于Transformer架构多阶段深度学习的点云超分辨率网络中，得到精细化密集点云数据；所述基于Transformer架构多阶段深度学习的点云超分辨率网络包括：密集点生成网络，用于提取稀疏点云数据的高级语义特征信息，生成初步粗糙密集点云；逐点偏差修正网络，用于：根据稀疏点云数据的高级语义特征信息和初步粗糙密集点云的高级语义特征信息，生成点云细节结构特征信息；根据点云细节结构特征信息生成点云坐标偏移量；将点云坐标偏移量和初步粗糙密集点云的空间坐标相加，得到精细化密集点云数据；其中，所述密集点生成网络和所述逐点偏差修正网络均设置有多个Transformer编码器。2.根据权利要求1所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，所述密集点生成网络至少包括多个Transformer编码器、一个特征扩充模块和一个坐标回归模块；所述提取稀疏点云数据的高级语义特征信息，生成初步粗糙密集点云，具体包括：利用多个Transformer编码器逐步提取稀疏点云数据的高级语义特征信息；利用一个特征扩充模块和一个坐标回归模块从稀疏点云数据的高级语义特征信息进行初步回归，得到初步粗糙密集点云。3.根据权利要求2所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，所述密集点生成网络还包括一个卷积层；卷积层的输入端用于输入稀疏点云数据；卷积层的输出端用于输出低级特征编码信息。4.根据权利要求3所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，卷积层的输出端与第一Transformer编码器的第一输入端连接，第一Transformer编码器的第二输入端用于输入稀疏点云数据，第一Transformer编码器的输出端与第二Transformer编码器的第一输入端连接，第二Transformer编码器的第二输入端用于输入稀疏点云数据，第二Transformer编码器的输出端与第三Transformer编码器的第一输入端连接，依次类推，最后一个Transformer编码器的输出端与特征扩充模块的输入端连接，特征扩充模块的第一输出端与坐标回归模块的输入端连接。5.根据权利要求4所述的一种多阶段深度学习的点云超分辨率方法，其特征在于，所述逐点偏差修正网络包括多个Transformer编码器、一个特征合成模块、一个局部精炼单元、一个偏移量回归模块以及一个相加模块；在逐点偏差修正网络中，所述精细化密集点云数据确定过程为：利用多个Transformer编码器提取初步粗糙密集点云的高级语义特征信息；利用特征合成模块将稀疏点云数据的高级语义特征信息和初步粗糙密集点云的高级语...
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。