System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及点云数据处理,特别涉及一种基于gcn-transformer模型的点云数据重建方法及电子设备。
技术介绍
1、近年来,点云数据在计算机视觉、自动驾驶和机器人等领域得到了广泛应用。点云数据的分割和重建是点云处理中的重要任务,传统方法往往需要手动标注数据和设计特征提取算法,效率低下。近年来,基于深度学习的方法逐渐成为了点云数据处理领域的主流,其中,transformer模型最初是用于自然语言处理领域的,特别是在进行文本生成、语言翻译、情感分析等任务中。gcn模型主要应用于图数据分析领域,如社交网络分析、药物发现等任务。gcn模型可以对图数据进行嵌入学习,从而实现节点的特征提取、分类、聚类等任务。与传统的图分析方法相比,gcn模型可以自动学习节点之间的关系,并对节点进行非线性嵌入,从而提高了图数据的表达能力和预测精度。
技术实现思路
1、本专利技术的目的在于克服现有技术中所存在的传统的点云数据分割和重建方法往往需要手动标注数据和设计特征提取算法,效率低下的不足,提供一种基于gcn-transformer模型的点云数据重建方法及电子设备。
2、为了实现上述专利技术目的,本专利技术提供了以下技术方案:
3、一种基于gcn-transformer模型的点云数据重建方法,包括以下步骤:
4、s1:获取点云数据集;
5、s2:构建gcn-transformer模型,并采用所述点云数据集对所述gcn-transformer模型进行优化训练
6、所述gcn-transformer模型包括gcn层、gcn编码器和transformer解码器;
7、所述gcn层用于对所述点云数据集中的点云数据进行预处理,建立点云数据的邻接矩阵;
8、所述gcn编码器用于根据所述邻接矩阵提取节点特征,并输出节点特征矩阵;
9、所述transformer解码器用于根据所述节点特征矩阵,使用自注意力机制对所述点云数据进行编码,对编码后的点云数据进行特征向量的提取,并根据所述特征向量进行点云数据的重建;
10、s3:将待处理的点云数据输入训练好的gcn-transformer模型中,完成所述待处理的点云数据的重建。
11、采用上述技术方案,利用gcn编码器和transformer解码器结构相结合,利用了gcn网络对图形的节点特征提取和transformer的自注意力机制对点云数据的编码,实现了点云数据的高效特征提取和重建。
12、作为本专利技术的优选方案,所述gcn编码器由多个图卷积层组成;
13、所述transformer解码器包括多个transfomer模块组成,所述transformer模块包括依次连接的:前馈网络层、多头注意力层、前馈网络层、残差模块。
14、作为本专利技术的优选方案,步骤s2中所述的所述gcn层用于对所述点云数据集中的点云数据进行预处理,建立点云数据的邻接矩阵包括:所述点云数据被视为一个无向图结构,其中每个点表示一个节点,两个节点之间的距离连接关系或邻近关系表示边,所述gcn层利用所述无向图结构和节点之间的边来处理所述点云数据,使用邻接矩阵来表示所述点云数据的结构,所述邻接矩阵的每个元素都表示两个点之间是否存在边。
15、作为本专利技术的优选方案,步骤s2中所述的所述gcn编码器用于根据所述邻接矩阵提取节点特征,并输出节点特征矩阵包括:
16、根据所述邻接矩阵构建图形的拉普拉斯矩阵,所述拉普拉斯矩阵的计算公式为:
17、l=d-a
18、其中,d为度矩阵,a为邻接矩阵,表示节点之间的连接情况;
19、将所述点云数据的坐标作为节点特征,将所述拉普拉斯矩阵和所述节点特征作为所述gcn编码器的输入,每个所述图卷积层将所述节点特征和所述拉普拉斯矩阵的特征进行聚合,生成新的节点特征,节点特征矩阵的表达式为:
20、h=gcn(x,a)
21、其中,h为节点特征矩阵,gcn函数利用邻接矩阵对节点特征进行编码。
22、作为本专利技术的优选方案,所述gcn函数包含多个图卷积层,所述图卷积层用于对接点特征进行卷积操作,从邻居节点中聚合信息,并更新节点的特征,所述图卷积层的函数表达式为:
23、
24、其中,h(l)表示第l层的节点特征矩阵,h(l+1)表示第(l+1)层的几点特征矩阵,i为恒定矩阵,为度矩阵,σ为激活矩阵,w(l)为当前图卷积层的权重参数。
25、作为本专利技术的优选方案,步骤s2所述的使用自注意力机制对所述点云数据进行编码,自注意力公式为:
26、
27、其中,h为节点特征矩阵,wq、wk、wv均为可学习的参数矩阵,dk为特征维度。
28、作为本专利技术的优选方案,步骤s2所述的对编码后的点云数据进行特征向量的提取,所述特征向量的计算公式为:
29、y(m+1)=relu(y(m)w(m))
30、其中,y(m)为第m层的特征向量,y(m+1)为提取的特征向量,w(m)为第m层的权重矩阵。
31、作为本专利技术的优选方案,步骤s2所述的根据所述特征向量进行点云数据的重建包括:使用线性激活函数或者tanh激活函数将所述特特征向量映射为点的坐标,从而完成点云数据的重建;
32、线性激活函数的表达式为:
33、
34、tanh激活函数的表达式为:
35、
36、其中,为重建的点云数据。
37、作为本专利技术的优选方案,所述gcn-transformer模型中的损失函数包括:
38、用于衡量两个点云之间的双向距离,即一个点到另一个点云中最近的点的距离的cd损失函数:
39、
40、其中,n为点云数据中的点的数量,xi为原始点云数据中的第i个点的三维坐标,yi为重建点云数据中的第i个点的三维坐标,;
41、用于衡量将一个点云变换为另一个点云所需的最小代价,即每个点到其对应点的距离的emd损失函数:
42、
43、其中,φ为一个双射函数,将原始点云数据中的每个点映射到重建点云数据中的一个对应点;
44、用于点云数据分割任务的分割损失函数:
45、
46、其中,ti为第i个点的真实标签,pi为第i个点的预测概率;
47、用于控制重建和分割任务之间的平衡的总损失函数:
48、l=αlcd+βlseg
49、其中,α和β表示超参数。
50、另一方面,公开了一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的基于gcn-transformer本文档来自技高网...
【技术保护点】
1.一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,所述GCN编码器由多个图卷积层组成;
3.根据权利要求1所述的一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,步骤S2中所述的所述GCN层用于对所述点云数据集中的点云数据进行预处理,建立点云数据的邻接矩阵包括:所述点云数据被视为一个无向图结构,其中每个点表示一个节点,两个节点之间的距离连接关系或邻近关系表示边,所述GCN层利用所述无向图结构和节点之间的边来处理所述点云数据,使用邻接矩阵来表示所述点云数据的结构,所述邻接矩阵的每个元素都表示两个点之间是否存在边。
4.根据权利要求3所述的一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,步骤S2中所述的所述GCN编码器用于根据所述邻接矩阵提取节点特征,并输出节点特征矩阵包括:
5.根据权利要求4所述的一种基于GCN-Transformer模型的点云
6.根据权利要求1所述的一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,步骤S2所述的使用自注意力机制对所述点云数据进行编码,自注意力公式为:
7.根据权利要求6所述的一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,步骤S2所述的对编码后的点云数据进行特征向量的提取,所述特征向量的计算公式为:
8.根据权利要求7所述的一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,步骤S2所述的根据所述特征向量进行点云数据的重建包括:使用线性激活函数或者tanh激活函数将所述特特征向量映射为点的坐标,从而完成点云数据的重建;
9.根据权利要求1所述的一种基于GCN-Transformer模型的点云数据重建方法,其特征在于,所述GCN-Transformer模型中的损失函数包括:
10.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至9中任一项所述的基于GCN-Transformer模型的点云数据重建方法。
...【技术特征摘要】
1.一种基于gcn-transformer模型的点云数据重建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于gcn-transformer模型的点云数据重建方法,其特征在于,所述gcn编码器由多个图卷积层组成;
3.根据权利要求1所述的一种基于gcn-transformer模型的点云数据重建方法,其特征在于,步骤s2中所述的所述gcn层用于对所述点云数据集中的点云数据进行预处理,建立点云数据的邻接矩阵包括:所述点云数据被视为一个无向图结构,其中每个点表示一个节点,两个节点之间的距离连接关系或邻近关系表示边,所述gcn层利用所述无向图结构和节点之间的边来处理所述点云数据,使用邻接矩阵来表示所述点云数据的结构,所述邻接矩阵的每个元素都表示两个点之间是否存在边。
4.根据权利要求3所述的一种基于gcn-transformer模型的点云数据重建方法,其特征在于,步骤s2中所述的所述gcn编码器用于根据所述邻接矩阵提取节点特征,并输出节点特征矩阵包括:
5.根据权利要求4所述的一种基于gcn-transformer模型的点云数据重建方法,其特征在于,所述gcn函数包含多个图卷积层,所述图卷积层用于对接点特征进行卷积操作,从邻居节点中聚合信息,并更新节点的特征,所...
【专利技术属性】
技术研发人员:谢榕昌,黄伟杰,陈科,卢冠良,
申请(专利权)人:广东电网有限责任公司,
类型:发明
国别省市:
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。