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】
本专利技术涉及三维点云处理方法,具体涉及一种适应有损点云的补偿注意力分类方法。
技术介绍
1、由于场景复杂、传感器老化和数据处理不当,原始点云数据不可避免地存在损坏现象,目前的主流模型在有损点云下的表现往往有很大的波动,无法很好地反映出现实环境下的效果。一般注意力方法对有损点云的局部特征捕捉能力较弱,难以满足精准的空间特征描述。
2、点云深度学习方法已经成熟应用于自动驾驶、遥感测绘等领域,基于多视图的点云处理方法实现过程中需要利用相同目标的多个视角去联合优化所有函数,并且每个视角的点云数据存在缺陷,如遮挡、噪声,如何有效地融合和补全这些数据是一个关键问题。基于体素的点云处理方法将点云划分为一个个体积单元,从而将无序点云规则化,将卷积应用到三维目标中,但相关的算法和方法不仅需要高效地处理大规模的数据,还需要极大的模型计算成本。按照点的方法可以分为点卷积神经网络、图神经网络及逐点多层感知机法;点卷积神经网络通常分为连续卷积核与离散卷积核,对硬件的计算能力要求较高;图神经网络方法将原始点云建模为图神经网络,但模型对于有损点云的噪声敏感,无法良好地应用到有损点云目标中;逐点多层感知机方法可以较为良好地平衡精度与计算成本,不需要复杂地映射与处理,但其收敛精度仍需要改进,在有损点云或噪声较大的情况下,模型不够稳定。
3、上述几种点云深度学习方法大多要求对原始点云进行投影和划分,即需要将无序点云进行有序化处理,或对有损点云对象敏感。因此上述方法适用于对实时性要求较低以及硬件计算能力较低的场景。
<
1、专利技术目的:提出一种适应有损点云的补偿注意力分类方法,以解决上述
技术介绍
存在问题。
2、技术方案:一种适应有损点云的补偿注意力分类方法,包括如下步骤:
3、(1)原始点云坐标点经多层感知机投影,得到点云初始特征;
4、(2)所述原始点云坐标点与点云初始特征经最远点采样与k近邻采样操作结合的分组层进行采样分组,得到分组后的局部坐标以及局部特征;
5、(3)建立坐标与特征的注意力模型,将分组后的局部坐标与局部特征投影到高维空间,并使用注意力机制分别对局部坐标与局部特征进行动态调整,采用可学习矩阵,通过矩阵学习对局部坐标与局部特征进行强化表达,自适应地调整高维特征与坐标信息分布;通过交叉注意力为特征进行坐标信息关联,输出空间信息强化后的邻域特征;
6、(4)将邻域特征投影到低维空间并用邻域坐标加性补偿,得到坐标补偿后的含偏量;通过聚合操作强化邻域坐标;将强化的邻域坐标投影到特征空间,得到坐标在低维到高维的投影偏差;通过聚合操作拼接得到增强的局部特征;通过多层感知机将增强的局部特征进行投影,得到全局坐标;
7、(5)依次将全局特征投影到512维、256维以及分类目标数维度。
8、在其中一个实施例中,使用batch norm增加多层感知机模型速度与relu激活函数增加投影的非线性。
9、在其中一个实施例中,所述步骤(2)的原始点云坐标点的采样分组过程如下:
10、针对原始点云进行最远点采样,获得原始点云坐标局部采样中心,然后对每个原始点云坐标局部采样中心使用k近邻算法寻找出中心点的近邻点,将近邻点坐标与中心点坐标相减得到近邻空间的相对坐标,并与中心点坐标、近邻点坐标进行维度拼接,得到九维的局部坐标。
11、在其中一个实施例中,所述步骤(2)的点云初始特征的采样分组过程如下:
12、采样分组层从点云初始特征进行最远点采样,获得点云初始特征局部采样中心,然后对每个采样中心使用k近邻算法寻找出中心的近邻点特征,将近邻点特征与中心点特征相减得到近邻空间的相对特征,并与中心坐点特征、近邻点特征进行维度拼接,得到三倍点云初始特征纬度的局部坐标。
13、在其中一个实施例中,所述步骤(3)的注意力模型包括第一分支和第二分支,分别用于处理所述局部坐标以及局部特征;具体的
14、所述第一分支通过最大池和多层感知机将局部特征投影到高维空间,使用注意力机制对局部特征进行二次表达,结合可学习矩阵对局部特征进行动态调整,输出强化后的局部高维特征;
15、所述第二分支通过最大池和多层感知机将局部坐标投影到高维空间,使用注意力机制对局部坐标进行二次表达,结合可学习矩阵对局部坐标进行动态调整,输出强化后的局部高维坐标;
16、基于交叉注意力机制,将局部特征和局部坐标进行关联,输出空间信息强化后的邻域特征。优选的,所述注意力机制为多头注意力机制。
17、进一步的,所述步骤(3)的交叉注意力机制将局部特征和局部坐标进行关联,得到空间信息强化后的邻域特征的具体过程如下:
18、将局部特征投影为值向量,局部坐标投影为查询向量与键向量;
19、通过键向量与查询向量的乘积得到初步的权重矩阵,并通过向量长度与归一化函数调整得到最终的权重矩阵;将所述权重矩阵与值向量相乘,通过权重调整和加性补偿,得到增强的局部特征,即邻域特征。
20、优选的,步骤(5)中,所述多层感知机使用leaky relu作为激活函数。
21、与现有方法相比,本专利技术具有以下有益效果:
22、1.现有技术大多需要对原始点云的划分与规则化,而本专利技术充分利用了逐点多层感知机的优势,点云的处理速度更快,对模型处理所需的计算成本要求更低。
23、2.现有技术对有损点云敏感,很难满足精确度的需求,而本专利技术由于合理的局部特征描述,能更好地利用点云空间信息,大大提高针对有损点云的特征描述能力。
24、3.本专利技术无需对点云目标进行复杂的特征描述与重复计算,以基本的多层感知机方法为主辅以注意力机制,使用较少的模型参数即可达到较优的效果。
本文档来自技高网...【技术保护点】
1.一种适应有损点云的补偿注意力分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的补偿注意力分类方法,其特征在于,使用batch norm增加多层感知机模型速度与ReLU激活函数增加投影的非线性。
3.根据权利要求1所述的补偿注意力分类方法,其特征在于,步骤(2)中,所述原始点云坐标点的采样分组过程如下:
4.根据权利要求1所述的补偿注意力分类方法,其特征在于,步骤(2)中,所述点云初始特征的采样分组过程如下:
5.根据权利要求1所述的补偿注意力分类方法,其特征在于,步骤(3)中,所述注意力模型包括第一分支和第二分支,分别用于处理所述局部坐标以及局部特征;具体的
6.根据权利要求1所述的补偿注意力分类方法,其特征在于,步骤(3)中,所述注意力机制为多头注意力机制。
7.根据权利要求5所述的补偿注意力分类方法,其特征在于,所述交叉注意力机制将局部特征和局部坐标进行关联,得到空间信息强化后的邻域特征的具体过程如下:
8.根据权利要求1所述的补偿注意力分类方法,其特征在于,步骤(5)中,所述
...【技术特征摘要】
1.一种适应有损点云的补偿注意力分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的补偿注意力分类方法,其特征在于,使用batch norm增加多层感知机模型速度与relu激活函数增加投影的非线性。
3.根据权利要求1所述的补偿注意力分类方法,其特征在于,步骤(2)中,所述原始点云坐标点的采样分组过程如下:
4.根据权利要求1所述的补偿注意力分类方法,其特征在于,步骤(2)中,所述点云初始特征的采样分组过程如下:
5.根据权利要求1所述的补偿注意力分类方法,其...
【专利技术属性】
技术研发人员:张之光,何源烽,杨慧珍,李紫薇,黄则陆,
申请(专利权)人:江苏海洋大学,
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。