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】
本专利技术涉及数据处理,尤其涉及一种基于生成对抗网络的点云分割方法及系统。
技术介绍
1、随着深度学习技术的兴起,深度学习也逐渐被应用于点云分割中来。点云分割指根据空间、几何和纹理等特征对点云数据进行划分,使得同一划分区域内的点云拥有相似的特征。然而,现有的点云分割方法通常适用于具有理想点的简单场景(如低噪声、均匀密度),对于复杂场景的点云分割的精确度较低,容易产生不连续的边缘,对于残缺点云不能有效地识别。
技术实现思路
1、本专利技术提供一种基于生成对抗网络的点云分割方法及系统,用以解决现有技术中对于复杂场景的点云分割的精确度较低,容易产生不连续的边缘的问题。
2、本专利技术提供一种基于生成对抗网络的点云分割方法,包括:
3、获取原始点云数据;
4、将所述原始点云数据输入预设的卷积神经网络,得到去噪点云数据,所述卷积神经网络包括用于进行特征重构的自注意力机制结构、以及用于对重构特征进行噪声识别与去除的第一全连接层;
5、基于所述去噪点云数据和预设的生成对抗网络,进行点云分割,得到目标点云数据。
6、可选地,将所述原始点云数据输入预设的卷积神经网络,得到去噪点云数据的步骤包括:
7、基于三维体素网格、以及所述卷积神经网络中的特征提取层,得到所述原始点云数据的体素特征,所述三维体素网格是通过对所述原始点云数据进行体素化处理得到的;
8、利用所述自注意力机制结构,对所述体素特征进行特征重构,得到所述重构
9、利用所述第一全连接层,对所述重构特征进行特征解码与概率判断,得到每个原始点云数据属于噪声的概率;基于预设的噪声概率阈值、以及每个原始点云数据属于噪声的概率,确定噪声点云数据;将所述噪声点云数据从所述原始点云数据中去除,得到所述去噪点云数据。
10、可选地,所述生成对抗网络包括生成器网络和判别器网络;基于所述去噪点云数据和预设的生成对抗网络,进行点云分割,得到目标点云数据的步骤包括:
11、利用所述生成对抗网络中生成器网络的采样层,对所述去噪点云数据进行均匀采样,获取采样点集,所述采样点集包括多个采样点;
12、利用所述生成器网络中的多层感知机,对所述采样点进行特征提取,得到每个采样点的局部特征;
13、利用所述生成器网络中的动态图边卷积网络结构,在每个采样点周围建立局部邻域,学习每个采样点的局部邻域中点云的第一全局特征;通过聚合全部的所述第一全局特征,得到去噪点云数据的点云特征;
14、基于所述点云特征和所述生成器网络中的第二全连接层,得到点云所属聚类,基于所述点云所属聚类和所述原始点云数据,生成所述目标点云数据;
15、将所述目标点云数据输入所述生成对抗网络中的判别器网络进行校验,在校验通过的情况下,得到所述目标点云数据。
16、可选地,所述卷积神经网络的训练过程包括:
17、获取样本点云数据、以及与所述样本点云数据相对应的标准点云数据;
18、将所述样本点云数据输入所述卷积神经网络,进行点云去噪,得到去噪点云样本;
19、基于所述去噪点云样本和预设的生成对抗网络,进行点云分割,得到目标点云数据样本;
20、将所述标准点云数据与所述去噪点云样本之间的差距确定为第一损失;
21、将所述目标点云数据样本和所述真实分割点云数据之间的差距确定为第二损失;
22、基于所述第一损失、所述第二损失和预设的权重,得到目标损失;
23、基于所述目标损失,对所述卷积神经网络进行参数更新与迭代,直至目标损失收敛,得到训练好的卷积神经网络。
24、可选地,所述生成器网络的训练过程包括:将目标点云数据样本和真实分割点云数据混合,得到混合数据,利用判别器网络,对所述混合数据进行概率判断,得到所述混合数据中每个点云数据属于真实分割点云数据的概率,基于混合数据中每个点云数据属于真实分割点云数据的概率,对所述生成器网络进行训练,所述目标点云数据样本为生成器网络在训练过程输出的点云数据。
25、可选地,所述判别器网络的训练过程包括:
26、利用所述判别器网络,判断所述目标点云数据样本为正确数据或是错误数据,得到判别器网络输出的判断结果;
27、基于所述判断结果,对所述判别器网络进行训练,得到训练好的所述判别器网络。
28、可选地,利用所述判别器网络,判断所述目标点云数据样本为正确数据或是错误数据,得到判别器网络输出的判断结果的步骤包括:
29、将所述目标点云数据样本输入判别器网络,进行特征提取与特征维度转换,得到预设维度的待判别特征;
30、基于所述待判别特征,进行全局特征提取,得到待判别特征所对应的点云的局部邻域的第二全局特征;
31、对全部的第二全局特征进行聚合,得到目标特征;
32、对所述目标特征进行最大池化处理,得到池化特征;
33、基于所述池化特征,判断所述目标点云数据样本为正确数据或是错误数据,得到判别器网络输出的判断结果。
34、本专利技术还提供一种基于生成对抗网络的点云分割系统,包括:
35、数据获取模块,用于获取原始点云数据;
36、去噪模块,用于将所述原始点云数据输入预设的卷积神经网络,得到去噪点云数据,所述卷积神经网络包括用于进行特征重构的自注意力机制结构、以及用于对重构特征进行噪声识别与去除的第一全连接层;
37、点云分割模块,用于基于所述去噪点云数据和预设的生成对抗网络,进行点云分割,得到目标点云数据。
38、本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于生成对抗网络的点云分割方法。
39、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于生成对抗网络的点云分割方法。
40、本专利技术提供的基于生成对抗网络的点云分割方法及系统,通过获取原始点云数据;将原始点云数据输入预设的卷积神经网络,得到去噪点云数据,卷积神经网络包括用于进行特征重构的自注意力机制结构、以及用于对重构特征进行噪声识别与去除的第一全连接层;基于去噪点云数据和预设的生成对抗网络,进行点云分割,得到目标点云数据。有效提高点云分割精确度,能够适用于各种复杂场景的点云分割。
本文档来自技高网...【技术保护点】
1.一种基于生成对抗网络的点云分割方法,其特征在于,包括:
2.根据权利要求1所述的基于生成对抗网络的点云分割方法,其特征在于,将所述原始点云数据输入预设的卷积神经网络,得到去噪点云数据的步骤包括:
3.根据权利要求1所述的基于生成对抗网络的点云分割方法,其特征在于,基于所述去噪点云数据和预设的生成对抗网络,进行点云分割,得到目标点云数据的步骤包括:
4.根据权利要求1所述的基于生成对抗网络的点云分割方法,其特征在于,所述卷积神经网络的训练过程包括:
5.根据权利要求3所述的基于生成对抗网络的点云分割方法,其特征在于,所述生成器网络的训练过程包括:将目标点云数据样本和真实分割点云数据混合,得到混合数据,利用判别器网络,对所述混合数据进行概率判断,得到所述混合数据中每个点云数据属于真实分割点云数据的概率,基于混合数据中每个点云数据属于真实分割点云数据的概率,对所述生成器网络进行训练,所述目标点云数据样本为生成器网络在训练过程输出的点云数据。
6.根据权利要求3所述的基于生成对抗网络的点云分割方法,其特征在于,所述判别器网络
7.根据权利要求6所述的基于生成对抗网络的点云分割方法,其特征在于,利用所述判别器网络,判断所述目标点云数据样本为正确数据或是错误数据,得到判别器网络输出的判断结果的步骤包括:
8.一种基于生成对抗网络的点云分割系统,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于生成对抗网络的点云分割方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于生成对抗网络的点云分割方法。
...【技术特征摘要】
1.一种基于生成对抗网络的点云分割方法,其特征在于,包括:
2.根据权利要求1所述的基于生成对抗网络的点云分割方法,其特征在于,将所述原始点云数据输入预设的卷积神经网络,得到去噪点云数据的步骤包括:
3.根据权利要求1所述的基于生成对抗网络的点云分割方法,其特征在于,基于所述去噪点云数据和预设的生成对抗网络,进行点云分割,得到目标点云数据的步骤包括:
4.根据权利要求1所述的基于生成对抗网络的点云分割方法,其特征在于,所述卷积神经网络的训练过程包括:
5.根据权利要求3所述的基于生成对抗网络的点云分割方法,其特征在于,所述生成器网络的训练过程包括:将目标点云数据样本和真实分割点云数据混合,得到混合数据,利用判别器网络,对所述混合数据进行概率判断,得到所述混合数据中每个点云数据属于真实分割点云数据的概率,基于混合数据中每个点云数据属于真实分割点云数据的概率,对所述生成器...
【专利技术属性】
技术研发人员:徐开明,陈洪,高大鹏,姜裕标,张林,冯国涛,杨升科,许可,陈强,何宇,
申请(专利权)人:中国空气动力研究与发展中心低速空气动力研究所,
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。