【技术实现步骤摘要】
本专利技术涉及图像识别，特别是涉及一种基于面向点云的局部语义和跨层级依赖的图像识别方法。
技术介绍
1、医疗保健、自动驾驶和具身人工智能都广泛使用3d点云数据分析。与传统的平面图像不同，点云实体由一系列离散的点组成，表现出空间不规则和随机的特点。这些非结构化的性质给模型和算法的设计带来了巨大的挑战。目前，对点云数据的处理主要有两种方法。
2、其中一种常见的策略是将点云转换为格式化数据以便进一步处理。根据转换数据的不同形式，这些方法主要可以分为两类。而另一种是基于多视图投影的技术，将点云数据投影为多个2d视图，然后使用传统的卷积神经网络进行特征学习；另一种技术是将点云量化为体素网格，然后使用3d卷积处理量化数据，从而实现对点云的理解。2017年推出的pointnet标志着一种新的点云处理方法的出现，该方法直接处理原始点云，从而节省了不必要的转换成本。
3、自pointnet提出以来，模型扩展的研究不断深入。然而，大多数研究仅对邻域特征池化模块进行改进，未对模型本身进行扩展，导致现有网络规模较小，未能充分挖掘其性能潜...
【技术保护点】
1.一种基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于：在所述步骤1中，所述第一特征提取模块、第二特征提取模块和第四特征提取模块结构一致，均设置有依次连接的第一下采样层、第一放缩残差块、第一聚合层和第一后MLP模块；
3.根据权利要求2所述的基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于：所述第一放缩残差块、第二放缩残差块和第三放缩残差块结构一致，均设置有依次连接的第一多层感知器层、第二多层感知器层、批归一化层、第三...
【技术特征摘要】
1.一种基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于：在所述步骤1中，所述第一特征提取模块、第二特征提取模块和第四特征提取模块结构一致，均设置有依次连接的第一下采样层、第一放缩残差块、第一聚合层和第一后mlp模块；
3.根据权利要求2所述的基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于：所述第一放缩残差块、第二放缩残差块和第三放缩残差块结构一致，均设置有依次连接的第一多层感知器层、第二多层感知器层、批归一化层、第三多层感知器层和残差连接层，所述残差连接层的输出端内置有relu激活函数。
4.根据权利要求3所述的基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于：放缩残差块的输出表达式如下：
5.根据权利要求1所述的基于面向点云的局部语义和跨层级依赖的图像识别方法，其特征在于：在所述步骤9中，所述中介注意力模块设置有第一乘法单元、第二乘法单元、第三乘法单元和第四乘法单元，所述第一乘法单元和第二乘法单元的输出端均内置有softmax激活函数；
6.根据权利要求5所述的基于面向点...
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。