基于自适应拉普拉斯卷积网络的3D点云分类分割方法技术

本发明专利技术公开了一种基于自适应拉普拉斯卷积网络的3D点云分类分割方法，包括：使用经过预处理和采样分组后的公开数据集进行网络训练，对传统的拉普拉斯卷积网络进行改进，在特征提取部分引入向量注意力方法，实现权重的自适应调整，在特征提取部分的模块间建立跳过连接方式，实现特征的多尺度融合。设计增强模块，增强提取到的局部特征信息。最终由训练好的网络对待测的3D点云进行分类和分割。本发明专利技术解决了3D点云因不规则特性而导致的局部信息提取困难问题，为部分网络在面对稀疏点云和带噪声点云时发生性能骤降的问题提供了新的解决思路。并且，本发明专利技术追求轻量化设计，实时性能好，能够精确地完成3D点云的分类分割任务。

【技术实现步骤摘要】

本专利技术涉及3d点云特征提取与分类分割的，尤其是指一种基于自适应拉普拉斯卷积网络的3d点云分类分割方法。

技术介绍

1、直接从3d点云中提取特征用于分类和分割是机器人、自动驾驶、增强现实等应用中的迫切需求。不同于2d图像，点云是无序和非结构化的，使得设计神经网络来处理它们具有挑战性。

2、这个问题有两种解决方法，一是设计几何结构提取器和卷积操作获取点云局部几何特征。由于普通卷积在3d点云上的适用效果差，对点云数据间的衔接不敏感，因此应用该种方法存在提取性能低的问题；二是运用多头注意力机制来提取全局特征。但是这种方法会带来较大的计算开销，使得实时任务不能达到快速迭代的效果。并且，这两种解决方法在处理稀疏和受噪声干扰的点云时，都会发生性能骤降的问题，鲁棒性差。

技术实现思路

1、本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于自适应拉普拉斯卷积网络的3d点云分类分割方法，能够有效提取点云数据的局部和全局特征，在网络结构的设计上追求轻量化，减少非必要的额外开销。并且，该方法在处理稀疏点云和本文档来自技高网...

【技术保护点】

1.基于自适应拉普拉斯卷积网络的3D点云分类分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自适应拉普拉斯卷积网络的3D点云分类分割方法，其特征在于：在步骤2)中，对预处理后得到的点云数据进行采样分组，具体过程如下：

3.根据权利要求2所述的基于自适应拉普拉斯卷积网络的3D点云分类分割方法，其特征在于：在步骤3)中，使用自适应拉普拉斯卷积网络的自适应拉普拉斯骨干部分对球域组进行特征提取，提取的特征向量包括中心点特征和邻域特征；所述自适应拉普拉斯骨干部分由6个参数不同的卷积模块堆叠而成，这些卷积模块之间通过多尺度特征融合，以确保提取更全面的局部信息...

【技术特征摘要】

1.基于自适应拉普拉斯卷积网络的3d点云分类分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自适应拉普拉斯卷积网络的3d点云分类分割方法，其特征在于：在步骤2)中，对预处理后得到的点云数据进行采样分组，具体过程如下：

3.根据权利要求2所述的基于自适应拉普拉斯卷积网络的3d点云分类分割方法，其特征在于：在步骤3)中，使用自适应拉普拉斯卷积网络的自适应拉普拉斯骨干部分对球域组进行特征提取，提取的特征向量包括中心点特征和邻域特征；所述自适应拉普拉斯骨干部分由6个参数不同的卷积模块堆叠而成，这些卷积模块之间通过多尺度特征融合，以确保提取更全面的局部信息，所述卷积模块不仅包括线性层、卷积操作和激活函数，还结合了向量注意力机制，以提高特征提取的效果和精度。

4.根据权利要求3所述的基于自适应拉普拉斯卷积网络的3d点云分类分割方法，其特征在于：在步骤4)中，向量注意力和拉普拉斯特征卷积机制的具体实施如下：

【专利技术属性】
技术研发人员：尹梦晓，李林峰，廖俊杰，杨林峰，杨锋，
申请(专利权)人：广西大学，
类型：发明
国别省市：