一种基于软邻居聚合的点云分析方法技术

一种基于软邻居聚合的点云分析方法，涉及神经网络结构设计

【技术实现步骤摘要】
一种基于软邻居聚合的点云分析方法


[0001]本专利技术涉及神经网络结构设计，尤其是涉及一种基于软邻居聚合的点云分析方法
。

技术介绍

[0002]近年来，随着人工智能以及深度学习的发展，神经网络在点云分析中得到广泛的应用，并达到很好效果
。
基于点的点云处理方式是目前点云分析中所使用的主流方法，例如文献
[1]Qian,G.,Li,Y.,Peng,H.,Mai,J.,Hammoud,H.,Elhoseiny,M.,&Ghanem,B.(2022).Pointnext:Revisiting pointnet++with improved training and scaling strategies.Advances in Neural Information Processing Systems,35,23192
‑
23204.
对于点云分析神经网络结构以及训练策略做出了改进，极大的提升性能
。[2]Lin,H.,Zheng,X.,Li,L.,Chao,F.,Wang,S.,Wang,Y.,...&Ji,R.(2022).Meta Architecture for Point Cloud Analysis.arXiv preprint arXiv:2211.14462.
通过对现有点云分析神经网络的分析，经过完备的实验，提出一种新的点云分析神经网络结构，在低计算资源消耗的同时提升性能
。
[0003]在基于点的点云分析方法所使用的网络中，邻居聚合模块是重要的组成模块之一
。
在点云分析神经网络中，常用最大池化函数对各个节点的多个邻居节点进行信息聚合
。
虽然最大池化函数十分简单，但其缺点是难以有效利用点云中一点的所有邻居点的信息，从而造成信息损失，影响点云分析神经网络的性能
。

技术实现思路

[0004]本专利技术的目的在于针对最大池化函数在点云分析的邻居聚合过程中造成信息损失等问题，提供可在
3D
分割任务中达到更好性能的一种基于软邻居聚合的点云分析方法
。
[0005]本专利技术包括以下步骤：
[0006]1)
使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征；
[0007]2)
使用
SWT
模块对点云中各个点的邻居点特征进行聚合；
[0008]3)
使用神经网络对每个
SWT
所汇集到的特征进行增强；
[0009]4)
使用解码器将特征映射回原空间，输出结果
。
[0010]在步骤
1)
中，所述使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征的子步骤为：
[0011](1)
使用单层一维卷积操作对点云中各点信息进行更新，如下：
[0012]f
i
′
＝
MLP1(f
i
)
[0013]式中，
f
i
为第
i
个节点所包含的信息，
MLP1为单层一维卷积操作，
f
i
′
为使用单层一维卷积操作对点云中各点信息更新后的第
i
个节点所包含的信息；
[0014](2)
对邻居点信息进行使用球形查询分组，实现为对于点云中的每个点，选取在以
该点为球心，某常数为半径的球体内部的所有节点作为该点的邻居节点，如下：
[0015]f
N(i)
，
P
N(i)
＝
Group(f
i
，
p
i
)
[0016]式中，
f
i
为第
i
个节点所包含的信息，
p
i
为第
i
个节点的位置嵌入，
Group
为分组操作，
f
N(i)
为点云中第
i
个节点的所有邻居节点所包含的信息，
p
N(i)
为点云中第
i
个节点的所有邻居节点的位置嵌入
。
[0017]在步骤
2)
中，所述
SWT
模块具体表示为一个带有温度系数的
Softmax
函数；
SWT
模块的输入为点云中某个节点的所有邻居节点信息及位置嵌入，对此节点的各个邻居节点输入一维张量的每个对应位置，依次使用带有温度系数的
Softmax
函数进行处理，得到信息聚合完成后的一维张量作为输出；在训练过程中，使用可训练的温度参数调整
Softmax
函数对某一节点的不同的邻居点的信息聚合比率；相对于常在邻居聚合模块被采用的最大池化函数而言，
SWT
模块可强化对点云中每个点的邻居节点的信息获取能力
。
[0018]在步骤
3)
中，所述对每个
SWT
所汇集到的特征进行增强的神经网络为一个双层的一维卷积算子，如下：
[0019]f
i(2)
＝
MLP2(f
i(1)
)
[0020]式中，
f
i(1)
为第
i
个节点的邻居节点经过
SWT
模块进行信息聚合后的汇总信息，
MLP2为双层一维卷积操作，
f
i(2)
为
f
i(1)
经过双层一维卷积操作后的新信息
。
[0021]在步骤
4)
中，所述解码器由多个相同宏结构模块堆叠而成，每个模块由一个插值算子和两个一维卷积算子组成
。
[0022]与现有技术相比，本专利技术的技术效果和优点在于：
[0023]第一，本专利技术针对在点云分析中邻居聚合过程使用最大池化函数所带来的信息损失问题，提出有效的解决方法
。
[0024]第二，本专利技术对使用
SWT
模块作为点云分析中的邻居聚合模块的有效性进行实验证明
。
附图说明
[0025]图1为本专利技术所使用的神经网络结构整体图
。
[0026]图2为本专利技术
SWT
模块功能图
。
其中，
(a)
为点云分析中邻居聚合过程，
(b)
为最大池化函数作为邻居聚合函数的示意图，
(c)
为本专利技术的邻居聚合示意图
。
具体实施方式
[0027]为了使本专利技术的目的
、
技术方案及优点更加清本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于软邻居聚合的点云分析方法，其特征在于包括以下步骤：
1)
使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征；
2)
使用
SWT
模块对点云中各个点的邻居点特征进行聚合；
3)
使用神经网络对每个
SWT
所汇集到的特征进行增强；
4)
使用解码器将特征映射回原空间，输出结果
。2.
如权利要求1所述一种基于软邻居聚合的点云分析方法，其特征在于在步骤
1)
中，所述使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征的子步骤为：
(1)
使用单层一维卷积操作对点云中各点信息进行更新，如下：
f
i
′
＝
MLP1(f
i
)
式中，
f
i
为第
i
个节点所包含的信息，
MLP1为单层一维卷积操作，
f
i
′
为使用单层一维卷积操作对点云中各点信息更新后的第
i
个节点所包含的信息；
(2)
对邻居点信息进行使用球形查询分组，实现为对于点云中的每个点，选取在以该点为球心，某常数为半径的球体内部的所有节点作为该点的邻居节点，如下：
f
N(i)
,P
N(i)
＝
Group(f
i
,p
i
)
式中，
f
i
为第
i
个节点所包含的信息，
p
i
为第
i
个节点的位置嵌入，
Group
为分组操作，
f
N(i)...

【专利技术属性】
技术研发人员：纪荣嵘，武凡，郑侠武，张岩，
申请(专利权)人：厦门大学，
类型：发明
国别省市：