【技术实现步骤摘要】
本专利技术属于计算机三维点云语义分割领域，是一种基于ms模块，对点云中相对较小部分进行语义分割的算法。
技术介绍
1、在三维点云语义分割中有很多相关算法，大部分使用深度网络处理语义分割任务，最为经典的是pointnet，该深度网络通过利用三维点云的置换不变性提取特征，提取全局特征以及每个点的特征，进行组合后进行语义分割；大部分相关算法注重整体准确率以及其他衡量指标的优化，而未着重处理这些相对较小区域，最后可能导致这些被忽略的相对较小区域的分割结果不是很为准确。现有的相关算法，对于三维点云室内外场景中较小部分的分割效果不是很好，具体来讲，对于较小部分，大部分算法基本上都无法识别即不能正确分割出这些部分，也没有针对较小部分特点，如大小，范围，点云数量，适应性解决该问题的算法，本申请专利的目的就是针对这些特殊区域进行处理，让这些区域根据本申请处理后的特征能被精准地分割出来。
技术实现思路
1、本专利技术要解决的技术问题在于提供一种基于ms模块的相对较小部分点云语义分割方法，该分割方法针对三维点云语义分割中相对较小部分分割准确率低的问题，采用多个优化模块，使深度网络可以较好识别。
2、为了解决上述技术问题，本专利技术通过以下方式来实现：
3、基于ms模块的相对较小部分点云语义分割方法，包括数据处理模块、神经网络、原始特征预处理模块，silverman算法模块、fps算法模块、mean shift模块、ms特征处理模块和神经网络激活层。所述数据处理模块处理后的数据进入
4、为了获取小范围特征，即特征相似的邻域中心点特征f，针对所述数据处理模块本申请详细的数据处理步骤如下：
5、首先，使用神经网络最后一个mlp层，将神经网络最后激活层的结果作为判定条件对特征进行分类，具体来讲，根据激活层输出记录结果相同的索引集合
6、根据上述索引分批次将最后一层隐藏层完成抽象化的特征传入ms模块，并对这些特征进行归一化处理，其具体表达式如下：
7、
8、最后，对每一组获得的特征使用silverman’s rule设置带宽，再使用fps(farthest point sampling)算法对种子点进行选取，送入ms模块进行处理。
9、其中，为了解决小范围点云分割精度问题，及考虑数据处理模块中特征方差的情况，本申请采用silverman's rule设置带宽，计算经验误差s并通过该误差算出带宽b，其表达式如下：
10、
11、
12、其中，xi表示特征数据，表示平均特征；
13、所述fps算法是一种选取种子点的算法，其流程如下：
14、首先，对于三维点云数据采取欧式距离度量点之间距离，在第一个点采样时求整个数据点云的重心，并选取距离重心最远的点，记为p0；然后，继续选取剩余的所有点距离p0最远的点，记为p1；对于剩下的每个点，分别计算到p0和p1的距离，并选取最短的那个作为该点到p0与p1整体的距离，计算这些距离并选择距离最大的那个点，记为p2；依次重复操作，直到选取所需数目的点。
15、进一步的，所述mean shift处理具体过程如下：
16、首先，种子点带宽内逐点将所有采样到的特征样本与种子点逐点相减得到偏移量，将所有样本点的偏移量相加求均值，得到种子点的移动向量shift，且将样本中属于该簇的点概率增加一个单位；
17、然后，重复上述步骤直到种子点的偏移量小于设置的阈值ε，则认为种子点移动到了最终位置，检查当前种子点内是否存在其他种子点，若存在其他种子点则将两个区域合并，并记录同簇的中心点，完成所有种子点的平移操作；检查是否还存在种子点不属于任何簇，若有则重复上述过程；
18、检查所有采样点，根据概率找到最大概率的簇作为采样点的所属簇，再根据簇中存在的种子点，计算与每个种子点之间的二范数值并依据二范数值将所有种子点的最终特征进行加权求和得到采样点的小领域特征；检查是否存在界外的采样，若存在则将这些采样点重复上述步骤，直到每一个采样点都具有小领域特征，最终得到所有点基于二范数的小领域特征f(p)，其表达式如下：
19、
20、其中，n(p,ci)表示p与中心点ci的特征二范数，表示ci的特征；
21、为了更好地结合原始特征和小领域特征，将该特征及之前每个点的特征设置一个倾斜权重，并对权重使用反向传播进行梯度下降调节，得到每个点的最终特征输入到神经网络中激活层进行训练，以优化网络的学习效果。
22、与现有技术相比，本专利技术具有的有益效果：
23、本专利技术的语义点云分割方法，不仅能够更好的预测那些相对较小的区域，且在整体准确率上，相对于以往算法也有一定程度地提升；同时本方法适用于需要使用点云语义分割任务作为预处理的工作，如三维重建，或其他的一些任务，通过提高较小区域的预测准确率，为后续任务带来更好的结果；针对较小区域预测准确率有特定需求，本申请相对与其他方法而言能更好地处理这一类问题。
本文档来自技高网...【技术保护点】
1.基于MS模块的相对较小部分点云语义分割方法，其特征在于：包括数据处理模块、神经网络、原始特征预处理模块，Silverman算法模块、FPS算法模块、Mean shift模块、MS特征处理模块和神经网络激活层；数据处理模块处理后的数据进入神经网络，并通过神经网络进行原始提取特征的提取，待原始提取特征提取后使用原始特征预处理模块根据特征预测结果分批次放入接下模块，之后是Silverman算法模块，经Silverman算法模块使用Silverman’srule进行带宽设置后，进入FPS算法模块，在FPS算法模块中进行种子点选取进入Mean shift模块，并依据种子点和相应带宽进行Mean shift处理，原始特征处理模块处理后加权特征进入神经网络激活层，通过反向传播调节权重，优化神经网络学习效果预测结果。
2.根据权利要求1所述的基于MS模块的相对较小部分点云语义分割方法，其特征在于：所述数据处理模块的数据处理步骤如下：
3.根据权利要求1所述的基于MS模块的相对较小部分点云语义分割方法，其特征在于：
4.根据权利要求1所述的基于MS模块的相对
5.根据权利要求1所述的基于MS模块的相对较小部分点云语义分割方法，其特征在于：
...【技术特征摘要】
1.基于ms模块的相对较小部分点云语义分割方法，其特征在于：包括数据处理模块、神经网络、原始特征预处理模块，silverman算法模块、fps算法模块、mean shift模块、ms特征处理模块和神经网络激活层；数据处理模块处理后的数据进入神经网络，并通过神经网络进行原始提取特征的提取，待原始提取特征提取后使用原始特征预处理模块根据特征预测结果分批次放入接下模块，之后是silverman算法模块，经silverman算法模块使用silverman’srule进行带宽设置后，进入fps算法模块，在fps算法模块中进行种子点选取进入mean shift模块，并依据种子点和相应带宽进行m...
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。