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分割方法领域,具体涉及一种基于几何特征聚合和自适应融合的点云分割方法。
技术介绍
1、点云分割是三维计算机视觉领域的一项重要任务,旨在对点云场景中每个点进行正确的分类,在自动驾驶,机器人和遥感等领域有着广泛的应用。但不同于图像规则的数据格式,点云是空间上的无序点的集合,通常会由点的三维坐标,颜色信息和强度信息等表示。由于点云内在的无序性,不规则性和稀疏性,给点云分割带来了很大的挑战。
2、近年来,基于深度学习的点云分割方法取得了巨大的进步,主要包括基于投影的方法,基于体素的方法和基于点的方法。基于投影和体素的方法会先将点云转换成多视角图像和体素网格,再使用二维和三维卷积神经网络提取特征,但这两种方法会带来量化误差,造成结构信息丢失。而基于点的方法直接对点云进行处理,无需额外的预处理和后处理,因此成为点云分割的主流方法。而由于自动驾驶环境中复杂多变的场景,如何实现精确实时的分割仍然是一个巨大的挑战。
3、基于点的点云分割方法直接以点云作为输入,不经过预处理,计算复杂度相对较小。斯坦福大学提出的pointnet是这一领域的开创性工作,它使用共享的多层感知机(mlp)和最大池化函数来提取和聚合特征。但pointnet没有考虑到局部结构信息,并且没有引入分层提取特征的思想,在点云分割任务上表现效果较差。目前主流的点云分割方法通常采用u-net型结构,包括编码器和解码器,编码器通过特征提取器和降采样提取分层特征,解码器用于上采样和融合特征。为了使下采样的点云分布均匀和尽可能保留关键信息,大多数方法
技术实现思路
1、为了进一步增强特征提取和融合,本专利技术提出一种基于几何特征聚合和自适应融合的点云分割方法。该分割方法主要通过点间的位置信息和角度信息来增强几何表示,同时引入点的几何先验来进一步得到显式几何信息。为了增强编码特征的语义信息,我们提出一种多尺度特征自适应融合的方法,同时能缩小编解码特征间的语义差距,提升分割性能。
2、本专利技术的目的有以下两方面:
3、1)提出一种基于位置信息和角度信息的几何表示方法,同时引入点的几何先验得到显式几何信息,实现几何上下文特征聚合;
4、2)通过多尺度特征自适应融合来增强编码特征,同时能缩小编解码特征间的语义差距。
5、本专利技术的具体方案如下:
6、一种基于几何特征聚合和自适应融合的点云分割方法:
7、如图1所示,首先输入点云数据n×d,其中n是点云中的点的数目,d是点云的输入维度。然后对原始的点云中的每个点构建一个局部的三角形,获取该三角形对应的法线估计,作为点的显式几何先验。接着为得到增强的几何表示,在每一层编码层中,使用k最邻近算法得到每个点的k个邻居点,根据点对间的位置信息和角度信息编码得到几何表示。接着结合显式几何先验、几何表示与语义特征,使用注意力机制获得聚合的几何上下文特征。在编码器端获得多个不同尺度的编码特征后,使用一种多尺度特征自适应融合的方法来增强每一层的编码特征,减小与解码特征的语义差距。在解码器端,对前一层的解码特征进行上采样,再与相同尺度的编码特征进行融合,最后获得的原始分辨率的融合特征经过全连接层得到预测的分割结果。
8、步骤1:输入点云数据n×d;
9、步骤2:获取原始点云中每个点的局部三角形表示,得到点的显式几何先验;
10、步骤3:在每一层编码层中使用k最邻近算法得到每个点的k个邻居点,根据点对间的位置信息和角度信息得到几何表示;
11、步骤4:结合显式几何先验、几何表示与语义特征,使用注意力机制获得聚合的几何上下文特征;
12、步骤5:使用多尺度特征自适应融合模块增强每一层的编码特征,减小与解码特征的语义差距;
13、步骤6:解码器端使用最邻近插值法上采样特征,再与相同尺度的编码特征融合;
14、步骤7:获得的原始分辨率的融合特征经过全连接层得到预测的分割结果。
15、本专利技术具有以下有益技术效果:
16、1)提出一种几何上下文特征聚合方法,首先通过原始点云每个点的局部三角形表示得到显式的几何先验,再在每一层编码层中根据点间的位置信息和角度信息得到隐式的几何表示。再结合显式几何先验、几何表示和语义特征,通过注意力机制获取聚合的上下文特征。所提出的特征聚合方法能有效地挖掘点云中的几何结构信息,同时利用注意力机制提取出丰富的特征信息。
17、2)提出一种多尺度特征自适应融合模块去增强每一层的编码特征,可以缓解浅层编码特征语义信息和感受野不足的问题,同时提取出了多尺度信息,减小了与解码特征间的语义差距,增强了特征融合过程。
本文档来自技高网...【技术保护点】
1.一种基于几何特征聚合和自适应融合的点云分割方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的方法,其特征在于,步骤2的具体实现方法为,首先得到每个点的两个邻居点,构成一个三角形,然后获取两条边信息,再从边信息中提取得到估计的法线信息,即:
3.根据权利要求2所述的方法,其特征在于,步骤3的具体实现方法为,首先通过K最邻近算法得到每个点的K个邻居点,使用点间的相对坐标和距离来表示每个点的位置信息,即:
4.根据权利要求3所述的方法,其特征在于,步骤4的具体实现方法为,首先将语义特征和几何表示拼接在一起得到增强的邻居点特征表示,即:
5.根据权利要求4所述的方法,其特征在于,步骤5中,所述多尺度特征自适应融合模块有三个特征输入,分别是当前层的编码特征,来自深层的融合特征,以及前一层高分辨率的编码特征,所述多尺度特征自适应融合模块利用这三个特征来增强当前层的编码特征,其中来自深层的融合特征提供语义信息,而前一层高分辨率的编码特征补偿由于随机采样导致的信息丢失。
6.根据权利要求5所述的方法,其特征在于,所述多尺度特
...【技术特征摘要】
1.一种基于几何特征聚合和自适应融合的点云分割方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的方法,其特征在于,步骤2的具体实现方法为,首先得到每个点的两个邻居点,构成一个三角形,然后获取两条边信息,再从边信息中提取得到估计的法线信息,即:
3.根据权利要求2所述的方法,其特征在于,步骤3的具体实现方法为,首先通过k最邻近算法得到每个点的k个邻居点,使用点间的相对坐标和距离来表示每个点的位置信息,即:
4.根据权利要求3所述的方法,其特征在于,步骤4的具体实现方法为,首先将语义特征和几何表示拼接在一起得到增强的邻居点特征表示,...
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。