一种基于维度变换的点云分类神经网络优化方法、装置、电子设备及介质制造方法及图纸

本发明专利技术公开了一种基于维度变换的点云分类神经网络优化方法、装置、电子设备及介质，包括获取待优化的点云分类神经网络；在所述点云分类神经网络的特征提取模块中的各子模块之间均嵌入预先构建的维度变化模块；其中，所述维度变化模块用于通过高维投影的方式将被分类的点云特征非线性地变换到高维空间中，以提高被分类点云特征的线性可分性；利用数据集对已嵌入所述维度变化模块的点云分类神经网络进行网络参数的优化训练，以获得优化后的点云分类神经网络。本发明专利技术充分考虑了点云的空间结构特征，通过高维投影的方式提高了点云的线性可分性，解决了运算过程中空间位置信息丢失的问题，进一步提高了网络的分类精度。进一步提高了网络的分类精度。进一步提高了网络的分类精度。

【技术实现步骤摘要】
一种基于维度变换的点云分类神经网络优化方法、装置、电子设备及介质


[0001]本专利技术三维点云分类
，具体涉及一种基于维度变换的点云分类神经网络优化方法、装置、电子设备及介质。

技术介绍

[0002]三维点云处理在自动化、自动驾驶和AR等领域的有着众多应用，其中对三维点云进行分类是三维点云处理的重要部分；随着深度学习的兴起，基于深度神经网络的点云分类方法因为准确度大幅高于传统方法而成为主流。其中，具有代表性的有PointNet++(点云分类分割网络)、PointCNN(动态图卷积神经网络)和SpiderCNN(各向异性可分集合抽象网络)；由于这些方法大多衍生于对应的计算机视觉和自然语言处理方法，它们的主要结构包括计算机视觉常用的卷积和聚类以及源自自然语言处理领域的自注意力机制，这些通用结构没有考虑到3维点云自身的空间特征，因此，现有的这些基于深度神经网络的点云分类方法在运算过程中通常会因为丢失空间位置信息从而影响最终的分类精度。

技术实现思路

[0003]本专利技术的目的在于克服现有技术中的不足，提供一种基于维度变换的点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于维度变换的点云分类神经网络优化方法，其特征在于，所述点云分类神经网络包括特征提取模块和分类模块，所述特征提取模块由多组以相同顺序出现的神经网络层构成，每组重复出现的网络层的集合构成一个子模块；所述优化方法包括：获取待优化的点云分类神经网络；在所述点云分类神经网络的特征提取模块中的各子模块之间均嵌入预先构建的维度变化模块；其中，所述维度变化模块用于通过高维投影的方式将被分类的点云特征非线性地变换到高维空间中，以提高被分类点云特征的线性可分性；利用数据集对已嵌入所述维度变化模块的点云分类神经网络进行优化网络参数的训练，以获得优化后的点云分类神经网络。2.根据权利要求1所述的基于维度变换的点云分类神经网络优化方法，其特征在于，所述通过高维投影的方式将被分类的点云特征非线性地变换到高维空间中的步骤包括：获取被分类的点云特征；对所获取的点云特征进行线性重组，获得线性重组特征；将所述线性重组特征进行分组，获得多组特征；分别对各组特征进行非线性变换处理，获得高维特征集合；将所述高维特征集合与所获取的点云特征在特征空间进行拼接，以获得具有高维特征的点云特征。3.根据权利要求2所述的基于维度变换的点云分类神经网络优化方法，其特征在于，对所获取的点云特征进行线性重组的步骤包括：根据所获取的点云特征X，结合预设的缩放系数S确定线性重组特征Y的特征维度：式中，c
Y
为线性重组特征Y的特征维度；c
X
为点云特征X的特征维度，点云特征x
i
表示点云特征X中的第i个元素，i∈[1,c
X
]；表示向下取整；基于线性重组特征Y的特征维度c
Y
，使用全连接层对所获取的点云特征X进行线性重组，以获得线性重组特征Y，其计算公式为：以获得线性重组特征Y，其计算公式为：式中，w
ij
表示全连接层参数；y
j
表示线性重组特征Y中的第j个元素，j∈[1,c
Y
]。4.根据权利要求3所述的基于维度变换的点云分类神经网络优化方法，其特征在于，将所述线性重组特征进行分组的步骤包括：根据预设的分组数量N对所述线性重组特征Y进行分组，其计算公式为：G＝{g1,g2,
…
g
k
…
,g
N
}
式中，表示线性重组特征Y中的第个元素，d
k
＝(k
‑
1)d，1)d，g
k
表示分组后的第k组特征；G表示N组特征的集合。5.根据权利要求4所述的基于维度变换的点云分类神经网络优化方法，其特征在于，分别对各组特征进行非线性变换处理的步骤包括：将各组特征g
k
内的每2个元素进行相乘后得到的各乘积作为非线性处理后的新的特征组g
′
k
的元素，其计算...

【专利技术属性】
技术研发人员：王海楠，唐一铭，吴媚，孟悦，汤文娟，杜彪，王浩羽，陈露，
申请(专利权)人：江苏方天电力技术有限公司，
类型：发明
国别省市：