【技术实现步骤摘要】
本专利技术属于计算机视觉，尤其涉及一种基于多视图掩码自编码器的点云自监督分类方法及系统。
技术介绍
1、点云是由一组离散点组成的三维数据格式。这种格式能准确捕捉物体的几何细节，还能包含颜色和法线等附加信息，提供高度精确的数据。技术和硬件的进步极大地方便了点云的获取，使其日益成为各行各业的首选数据格式，包括医疗和其他专业领域。随着应用的增长，对精确点云处理模型的需求也在增长。然而，模型复杂性和参数规模的快速发展已经超过了可用标记数据集的增长速度。注释大型点云数据集通常包含数百万个点，既费时又费力。
2、自监督学习是解决这一问题的重要研究方向。通过利用未标记数据进行预训练，并使用较小的标记数据集进行微调，自监督模型可以实现与监督模型相当的性能，同时减少对大量标记数据的需求。与图像不同，点云数据是不规则和无序的，使用多视角方法可以有效地应对这些挑战。这些方法从多个视角提取特征，捕捉全局特征，提供更全面的数据分析，在各种任务中都显示出了其优越性。
3、与直接应用于点云的自监督模型相比，多视角方法受数据大小和规模的影响较小。它们始终从全局角度学习特征。此外，多视角技术通过利用成熟的二维技术处理三维数据，将不同维度的视觉技术连接起来，从而在转换为二维图像时有效地保留了三维信息。为了减少点云分类模型对标注数据的依赖，寻找一种针对点云的自监督分类方法具有重要的理论研究和实际应用意义。
4、通过上述分析，现有技术存在的问题及缺陷为：模型复杂性和参数规模的快速发展已经超过了可用标记数据集的增长速度。注释大型点云数
5、基于此，本专利技术设计了一种基于多视图掩码自编码器的点云自监督分类方法及系统，以解决上述问题。
技术实现思路
1、本专利技术的目的在于：为了解决模型复杂性和参数规模的快速发展已经超过了可用标记数据集的增长速度。注释大型点云数据集通常包含数百万个点，既费时又费力，而现有的有监督方法依赖于标注数据；用于分类的综合特征提取仍然具有挑战性，因为局部特征学习方法不一定总是理想的，而且分割点云的额外计算成本也是一个限制因素；现有的多视角模型主要是有监督的，严重依赖标记数据的问题，而提出的一种基于多视图掩码自编码器的点云自监督分类方法及系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于多视图掩码自编码器的点云自监督分类方法及系统，包括以下步骤：
4、s101，获取三维点云数据集，将三维点云数据集按照训练、验证和测试进行划分，并使用采样技术对三维点云进行预处理；
5、s102，结合多视图技术的自监督深度学习网络，并用训练数据进行训练，通过验证数据集优化，以获得最佳的深度学习模型；
6、s103，使用最优效果的深度学习网络模型在测试集和验证集进行测试和验证，并输出三维点云分类结果。
7、作为上述技术方案的进一步描述：
8、所述以自监督的方法训练模型对点云进行分类包括以下步骤：
9、步骤一：使用激光扫描或是从公开的点云数据库中获取三维点云数据集，将三维点云数据集按照训练、验证和测试三个部分进行划分。训练集用于训练深度学习模型，验证集用于调优模型参数和选择最佳模型，测试集则用于评估模型的性能，确保其在实际应用中的可靠性，数据进行划分后，我们还需要使用采样技术对三维点云进行预处理，以确保数据集的代表性，提高模型的训练效果和泛化能力；
10、步骤二：构建多视图转换网络、自监督代理任务网络和下游分类任务微调网络，并构建一种基于多视图掩码自编码器的点云自监督分类方法；
11、步骤三：使用训练集在自监督代理网络上进行训练；使用下游分类任务微调网络对训练好的模型进行微调，以适应分类任务的需要，训练过程中使用验证集验证模型性能并选取网络模型；
12、步骤四：使用网络在测试集和验证集上进行性能评估，并得到三维点云的分类结果。
13、作为上述技术方案的进一步描述：
14、所述步骤一中对三维点云数据集进行预处理包括：
15、将三维点云数据集中的每一个三维点云对象使用最远点采样法对点云进行采样，每个点云包含1024个数据点，用于匹配深度学习网络的输入大小。
16、作为上述技术方案的进一步描述：
17、所述步骤二中的构建多视图转换网络、自监督代理任务网络和下游分类任务微调网络，并构建一种基于多视图掩码自编码器的点云自监督分类方法，包括：
18、（1）将点云通过渲染转为多视图并拼接为整体；
19、对于点云，通过预先设计的球形模型相机参数在点云周围以固定间隔布置虚拟相机，再计算其点的加权平均值来确定点云的质心，并使相机对准以生成多种视角的视图；
20、（2）对拼接后的图片通过掩码自编码器进行掩码重建任务；
21、首先，对于给定的输入图像，根据视角的个数将其均匀划分为图像块，按照均匀分布从中随机抽取一部分，对其中75%的图像块进行掩码操作。剩余的可见部分传递到模型的编码器中得到特征，解码器利用可见部分的特征，填充缺失信息重建整个图像，并通过比较重建图像与原始图像之间的差异进行自我优化；
22、（3）在分类任务上对模型进行微调；
23、经过掩码重建的预训练过程后，编码器会保存从数据中提取的丰富特征表示。这些特征表示是高度抽象的，能够捕捉数据的底层结构和复杂模式。编码器被连接到一个为点云分类任务设计的神经网络。通过监督学习的方法，模型不断调整自身的参数，以最小化预测输出与实际标签之间的差距。在微调过程中，模型学习到点云分类任务所需的精确特征，同时保留预训练时学到的一般特征，从而提高模型在分类任务上的表现。
24、作为上述技术方案的进一步描述：
25、所述步骤三中使用训练集在自监督代理网络上进行训练；使用下游分类任务微调网络对训练好的模型进行微调，以适应分类任务的需要，训练过程中使用验证集验证模型性能并选取网络模型包括：
26、（1）首先，将训练数据集导入深度学习网络进行训练，计算损失函数并根据其值调整模型参数。接着，使用验证集来测试和选择训练好的网络模型。在验证阶段，数据将绕过样本加权模块，直接通过特征提取器和分类器，生成预测标签；
27、（2）获得预测标签后，将其与验证集的真实标签进行对比，从而计算验证集的精度。
28、作为上述技术方案的进一步描述：
29、所述步骤四中使用网络在测试集和验证集上进行性能评估，并得到三维点云的分类结果包括：
30、所述在步骤三中选取的模型上，使用测试集和验证集进行验证，将经过归一化和标准化的数据经过特征本文档来自技高网...
【技术保护点】
1.一种基于多视图掩码自编码器的点云自监督分类方法及系统，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述以自监督的方法训练模型对点云进行分类包括以下步骤：
3.根据权利要求2所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述步骤一中对三维点云数据集进行预处理包括：
4.根据权利要求2所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述步骤二中的构建多视图转换网络、自监督代理任务网络和下游分类任务微调网络，并构建一种基于多视图掩码自编码器的点云自监督分类方法，包括：
5.根据权利要求2所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述步骤三中使用训练集在自监督代理网络上进行训练；使用下游分类任务微调网络对训练好的模型进行微调，以适应分类任务的需要，训练过程中使用验证集验证模型性能并选取网络模型包括：
6.根据权利要求2所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述步骤四中使
7.根据权利要求1～6任意一项所述的一种基于多视图掩码自编码器的点云自监督分类方法的一种多视图掩码自编码器的点云自监督分类系统，其特征在于，包括：
8.一种多视图掩码自编码器的点云自监督分类系统，其特征在于，包括计算机设备，所述该计算机设备拥有存储可运行的一种多视图掩码自编码器的点云自监督分类系统程序以及拥有能够执行如权利要求1～6任意一种基于多视图掩码自编码器的点云自监督分类方法的处理器。
9.一种多视图掩码自编码器的点云自监督分类系统，其特征在于，包括计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一种基于多视图掩码自编码器的点云自监督分类方法。
10.一种多视图掩码自编码器的点云自监督分类系统，其特征在于，包括信息数据处理终端，所述信息数据处理终端用于实现该系统。
...【技术特征摘要】
1.一种基于多视图掩码自编码器的点云自监督分类方法及系统，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述以自监督的方法训练模型对点云进行分类包括以下步骤：
3.根据权利要求2所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述步骤一中对三维点云数据集进行预处理包括：
4.根据权利要求2所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述步骤二中的构建多视图转换网络、自监督代理任务网络和下游分类任务微调网络，并构建一种基于多视图掩码自编码器的点云自监督分类方法，包括：
5.根据权利要求2所述的一种基于多视图掩码自编码器的点云自监督分类方法，其特征在于，所述步骤三中使用训练集在自监督代理网络上进行训练；使用下游分类任务微调网络对训练好的模型进行微调，以适应分类任务的需要，训练过程中使用验证集验证模型性能并选取网络模型包括：
6.根据权利要求2所述的一种基于多视...
【专利技术属性】
技术研发人员：周伟，刘坤龙，郝星星，郝星，王德奎，陈莉，
申请(专利权)人：西北大学，
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。