一种基于混合结构的航空激光点云半监督语义分割方法技术

本发明专利技术提出了一种基于混合结构的航空激光点云半监督语义分割方法，该方法包括以下步骤：S1：对采集的目标区域点云进行部分标注；S2：将部分标注的点云数据和未标注的点云数据输入到预先构建的混合结构约束网络的学生模型和教师模型中，分别得到学生模型和教师模型的输出特征；S3：将输出特征中的标注样本和未标注样本分别输入到基础损失函数、全局感知损失函数、多尺度几何结构相似度损失函数和多级融合伪标签损失函数模型中，得到输出概率；S4：设置损失权重，构建混合损失函数来优化网络的训练，利用随机梯度下降法进行反向传播，动态调整模型参数，得到鲁棒的分割结果。本发明专利技术所述方法和装置能够有效地利用未标注样本的深层特征，促进标注样本和未标注样本之间的信息传递，实现更加精细的语义分割。

【技术实现步骤摘要】

本专利技术属于计算机视觉，涉及一种基于混合结构的航空激光点云半监督语义分割方法。

技术介绍

1、随着传感器和通信技术的不断进步，对地观测技术正朝着获取更高分辨率和多样化数据类型的方向发展。其中，机载激光扫描技术(als)因其独特的优势，已成为最具前景的技术之一。als生成的点云数据能够精细地揭示物体表面的三维信息，为地理空间和地面特征的精确描述提供了有力支持，广泛应用于城市规划、环境监测、林业管理以及地质勘探等领域。在这些应用中，als点云的语义分割显得尤为重要。

2、近年来，深度学习在多个领域取得了显著进展，也被引入到点云数据的智能处理中。点云的深度分割方法可以归纳为三种主要范式：基于投影、基于体素和基于点的方法。然而，这些方法大多依赖于大量准确标记的训练样本，而标记工作通常繁琐且困难。为了降低样本标记的成本，研究人员开始探索半监督学习方法(ssl)，利用未标记的样本来辅助有限的标记数据。

3、ssl方法通常可以分为基于伪标签和基于一致性两大类。基于伪标签的ssl利用未标记数据生成伪标签进行模型训练，并对伪标签进行迭代优化。例如，本文档来自技高网...

【技术保护点】

1.一种基于混合结构的航空激光点云半监督语义分割方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种基于混合结构的航空激光点云半监督语义分割方法(HSCN)，其特征在于：在步骤S2中，将部分标注的点云数据和未标注的点云数据输入到预先构建的混合结构约束网络的学生模型和教师模型中，分别得到学生模型和教师模型的输出特征。

3.根据权利要求2所述的一种基于混合结构的航空激光点云半监督语义分割方(HSCN)，其特征在于：在步骤S3中，将输出特征中的标注样本和未标注样本分别输入到基础损失函数、全局感知损失函数、多尺度几何结构相似度损失函数和多级融合伪标签损失函...

【技术特征摘要】

1.一种基于混合结构的航空激光点云半监督语义分割方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种基于混合结构的航空激光点云半监督语义分割方法(hscn)，其特征在于：在步骤s2中，将部分标注的点云数据和未标注的点云数据输入到预先构建的混合结构约束网络的学生模型和教师模型中，分别得到学生模型和教师模型的输出特征。

3.根据权利要求2所述的一种基于混合结构的航空激光点云半监督语义分割方(hscn)，其特征在于：在步骤s3中，将输出特征中的标注样本和未标注样本分别输入到基础损失函数、全局感知损失函数、多尺度几何结构相似度损失函数和多级融合伪标签损失函数模型中，得到输出概率，具体的，给定一组有标记的训练点和一组未标记的训练点其中n和m(n＞＞m)分别为总体样本点和有标记样本点的个数，和分别为有标记点和未标记点的个数，yil为第i个训练样本对应的标签，半监督分割同时利用大量的未标记点和有限的标记点来学习它们之间的函数映射关系：标记点的数量设置为m＝0.1％×n，这些标记点是从整个数据集中随机选取的，通过这种设置，旨在评估半监督学习方法在标记数据非常稀缺的情况下的性能，同时，利用大量的未标记数据，以期模型能够学习到更丰富的特征表示，并提高其对未知数据的泛化能力，在hscn框架中，选择kpconv作为主干，其中kpconv的数学表达式如下所示：

4.根据权利要求3所述的一种基于混合结构的航空激光点云半监督语义分割方法(hscn)，其特征在于：在步骤s3中，为了确保模型在标记数据上的准确性和泛化能力，综合考虑了两种损失：标记样本的监督损失(supervised loss,sl)和普通学生－教师网络中常用的逐点损失(point-wise loss,pwl)，在训练过程的初始阶段，为了确保网络对这些样本的有效学习，采用了交叉熵损失和dice系数损失作为监督损失，交叉熵损失有助于优化模型的分类性能，而dice系数损失则更注重于提高分割区域的准确性，通过这两种损失的联合作用，以期模型能够在标记数据上达到良好的性能，同时，逐点损失(pwl)被用于学生－教师网络结构中，其中，交叉熵损失和dice系数损失分别如下所示：

5.根据权利要求4所述的一种基于混合结构的航空激光点云半监督语义分割方法(hscn)，其特征在于：在步骤s3中，为了解决基础损失只考虑学生模型和教师模型预测结果之间的单点一致性，而忽略了点对点的关系的问题，提出了一种基于未标注点的全局感知损失，该损失可以使学生网络和教师网络保持相同的全局分布，从而增强模型的鲁棒性，降低对离群特征和噪声干扰的敏感性，提高模型性能，该损失的目标是最小化教师网络和学生网络特征加权全局平均值之间的欧氏距离平方，未标注点的权重用于控制预测结果的差异和多样性，点的权重wi定义为其中符号是哈达玛乘积，是未标注点的预测概率，此外，由于反...

【专利技术属性】
技术研发人员：罗甫林，曾涛，郭坦，付川，段宇乐，
申请(专利权)人：重庆大学，
类型：发明
国别省市：