基于自监督PCT深度学习的文物碎片点云分类方法技术

本发明专利技术公开了一种基于自监督PCT的深度学习文物碎片点云分类方法：步骤一：采集文物碎片点云数据、预处理赋予类别标签；步骤二，划分训练集和测试集；步骤三，采用公开数据集和步骤二的训练集进行预训练，得到预训练后的网络模型；步骤四，将步骤二的训练集到分类训练的网络模型进行训练得到训练好的PCT网络模型；步骤五，采集兵马俑碎片的点云数据，将其进行与步骤一中相同的去噪和切割处理，输入到训练好的PCT网络模型中，得到分类结果。本发明专利技术的方法能够有效解决由于兵马俑碎片特征复杂、数据规模小导致PCT特征提取难的问题，从而提升碎片分类的性能。片分类的性能。片分类的性能。

【技术实现步骤摘要】
基于自监督PCT深度学习的文物碎片点云分类方法


[0001]本专利技术属于文物碎片点云数据分类
，涉及一种自监督PCT深度学习的文物碎片点云分类方法。

技术介绍

[0002]传统的文物碎片分类需要借助人工来完成，这种方式显然增加了分类时间与难度。通过将文物碎片数字化，使用计算机技术来辅助完成此类任务成为新的趋势。康馨月等根据大多数文物表面特征存在的规律，提取模型局部表面描述符，最后采用聚类的方式提取文物碎片表面的显著特征，将提取到的特征通过推土距离(Earth Mover's Distance,EMD)算法进行特征匹配，但由于描述符只针对特定数据设计，泛化能力不足且分类效果较差。王克刚等针对文物碎片图像特征提取展开了研究，通过采用不同的训练算法提取文物碎片的纹饰形状、纹理、颜色等特征，提升了碎片的分类精度。魏阳等通过将文物碎片形状特征和纹理特征相结合，利用支持向量机(Support Vector Machines,SVM)建立分类模型。赵思忠等人将几何特征和二维图像纹理特征相结合，基于层次语义网实现碎片分类。这些方法虽然能够一定程度上改善本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督PCT的深度学习文物碎片点云分类方法，其特征在于，包括如下步骤：步骤一：采集文物碎片点云数据；对采集的文物碎片点云数据进行预处理，得到预处理后的点云数据；将预处理后的点云数据分别赋予相应的类别标签，得到点云数据集；步骤二，将步骤一得到的数据集划分为训练集和测试集；步骤三，采用公开数据集ShapeNetCore和步骤二的训练集进行预训练，得到预训练后的网络模型，具体如下：步骤31，构建文物碎片点云分类网络模型，该模型包括离散VAE模块、改进的PCT网络和掩码重建模块；所述离散VAE模块是将VAE网络中的编码器和解码器均采用DGCNN网络得到，离散VAE模块用于对输入的点云数据进行处理后输出监督特征；所述改进的PCT网络包括PCT网络和掩码屏蔽模块，其中，PCT网络包括点云局部特征提取器和基于偏移注意力的Transformer模块；所述掩码屏蔽模块设置在PCT网络的点云局部特征提取器和基于偏移注意力的Transformer模块之间，用于对点云局部特征提取器的输出进行掩码屏蔽处理后输入基于偏移注意力的Transformer模块；所述掩码重建模块用于将离散VAE输出的监督特征与改进的PCT网络的输出特征进行比对，还原出点云数据的掩盖位置的特征；步骤32，将公开数据集ShapeNetCore以及步骤二中的训练集输入离散VAE模块进行训练，输出监督特征；步骤33，将公开数据集ShapeNetCore以及步骤二...

【专利技术属性】
技术研发人员：陈莉，李豪斌，王毅，林薇，李文强，
申请(专利权)人：西北大学，
类型：发明
国别省市：