基于多视角自适应图卷积网络的点云数据分类及分割方法技术

一种基于多视角自适应图卷积网络的点云数据分类及分割方法，通过在离线阶段构造图网络，将采集到的点云数据输入自适应旋转矩阵生成器得到自适应旋转后的点云数据并生成三张多视角投影图；将点云数据和三张多视角投影图分别构建得到全局信息图数据和局部信息图数据，进而分别输入全局特征提取网络和局部特征提取网络，提取得到全局特征和局部特征后将二者融合并输入功能型神经网络输出头，根据得到的结果计算损失函数以实现图网络的训练；在在线阶段通过实时采集到的点云数据输入训练后的图网络，得到点云分类或分割结果。本发明专利技术通过自适应地将点云数据进行旋转，得到优化后的观察视角，根据点云数据的几何特征和空间分布，灵活地调整视角的位置，并引入特定投影面上深度不同的点之间的联系，从而更好地捕捉点云数据的局部和全局特征，使构图更加精确和鲁棒。棒。棒。

【技术实现步骤摘要】
基于多视角自适应图卷积网络的点云数据分类及分割方法


[0001]本专利技术涉及的是一种神经网络应用领域的技术，具体是一种基于多视角自适应图卷积网络的点云数据分类及分割方法。

技术介绍

[0002]在三维点云数据的分类及分割中，现有的图网络，如基于谱域的图卷积神经网络和基于空域的图卷积神经网络等在处理不同场景和不同类型的点云数据时存在一定的局限性，这些技术只根据点的空间位置信息构图，丢失了在特定投影面上深度不同的点之间的联系，限制了后续任务的准确性和鲁棒性。其次，预定义的构图规则或参数可能不适用于不同的点云数据，导致构图不准确或不完整。

技术实现思路

[0003]本专利技术针对现有技术未能充分利用上下文信息，只能通过点频图像来感知视图中同一位置的点云集中度导致点云分类或分割效果不佳的缺陷，提出一种基于多视角自适应图卷积网络的点云数据分类及分割方法，通过自适应地将点云数据进行旋转，得到优化后的观察视角，根据点云数据的几何特征和空间分布，灵活地调整视角的位置，并引入特定投影面上深度不同的点之间的联系，从而更好地捕捉点云数据的局部和全局本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多视角自适应图卷积网络的点云数据分类及分割方法，其特征在于，通过在离线阶段构造包含自适应旋转矩阵生成器、全局特征提取网络、局部特征提取网络和功能型神经网络输出头的图网络，将采集到的点云数据输入自适应旋转矩阵生成器得到自适应旋转后的点云数据并生成三张多视角投影图；将点云数据和三张多视角投影图分别构建得到全局信息图数据和局部信息图数据，进而分别输入全局特征提取网络和局部特征提取网络，提取得到全局特征和局部特征后将二者融合并输入功能型神经网络输出头，根据得到的结果计算损失函数以实现图网络的训练；在在线阶段通过实时采集到的点云数据输入训练后的图网络，得到点云分类或分割结果。2.根据权利要求1所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，其特征是，所述的自适应旋转矩阵生成器为带有全连接层和最大池化层的六层串联式神经网络，其中：第一层为输入维度为3输出维度为64的全连接层并使用ReLU激活函数，第二层为输入维度为64输出维度为256的全连接层并使用ReLU激活函数，第二层为输入维度为256输出维度为256的全连接层并使用ReLU激活函数，第四层为最大池化层，第五层为输入维度为256输出维度为64的全连接层并使用ReLU激活函数，第六层为矩阵QR分解层；全连接层为PyTorch库中的torch.nn.Linear类，最大池化层为PyTorch库中的torch.nn.MaxPool1D类，矩阵QR分解层为PyTorch库中的torch.linalg.qr函数。3.根据权利要求1所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，其特征是，所述的多视角投影图，基于旋转后的点云向三个坐标面投影生成，具体为：将旋转后的点云数据在XY平面、YZ平面和XZ平面上进行投影得到，该投影图为二维点云数据。4.根据权利要求1所述的基于多视角自适应图卷积网络的点云数据分类及分割方法，其特征是，所述的全局特征提取网络为具有最大池化层的六层串联式神经网络，其中：第一层为输入维度为3输出维度为64的图卷积层，第二层到第四层均为输入维度为64输出维度也为64的图卷积层，第五层为最大池化层，第六层为维度重复层，除第五第六层之间外，每相连两层之间加入ReLU激活函数...

【专利技术属性】
技术研发人员：庄春刚，牛万灏，王浩闻，熊振华，朱向阳，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：