买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜上海交通大学申请的专利一种基于稀疏图卷积的三维点云分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114373099B 。

龙图腾网通过国家知识产权局官网在2025-04-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210007757.8，技术领域涉及：G06V10/764；该发明授权一种基于稀疏图卷积的三维点云分类方法是由刘世允;徐昌庆;何迪设计研发完成，并于2022-01-05向国家知识产权局提交的专利申请。

本一种基于稀疏图卷积的三维点云分类方法在说明书摘要公布了：本发明公开了一种基于稀疏图卷积的三维点云分类方法，包括步骤A：数据预处理，对原始的三维点云数据进行归一化处理和均匀采样；步骤B：构建分类网络模型，分类网络模型主要包含稀疏图卷积模块和特征聚合模块；步骤C：训练分类网络模型，对训练样本通过分类网络的特征提取层提取出1024维向量并进行分类，对分类结果进行反向传播对模型进行迭代；步骤D：三维测试点云样本分类，利用训练好的基于稀疏图卷积的神经网络模型进行三维点云数据的分类实验。本发明采用稀疏化构建局部邻域图的方式，扩大了中心点的感受野，同时减少了邻近点特征信息的冗余度；采用基于注意力机制的稀疏特征聚合的方式，对特征信息进行压缩和增强，避免重要的特征信息在聚合过程中丢失。

本发明授权一种基于稀疏图卷积的三维点云分类方法在权利要求书中公布了：1.一种基于稀疏图卷积的三维点云分类方法，其特征在于，包括以下步骤：步骤A：数据预处理，对原始的三维点云数据进行归一化处理和均匀采样；步骤B：构建分类网络模型，分类网络模型包含稀疏图卷积模块和特征聚合模块；所述步骤B包括以下步骤：步骤B1：构建特征提取层，特征提取层包括首尾相连的稀疏图卷积模块和特征聚合模块，对点pi以及邻域的特征输入，特征提取过程用式子描述如下： 其中，f′i为特征提取层的输出，为特征聚合模块的聚合操作，为稀疏图卷积模块的稀疏图卷积运算，pj为邻域中的邻近点；所述步骤B1包括以下步骤：步骤B11：构建稀疏图卷积模块，模块应用K-近邻算法为点云中每一个点pi构建局部邻域图，根据各邻近点与中心点pi在特征空间中的距离进行排序，并将它们标记为点集并在点集中注入“空洞”，并从点集中选择子点集： 其中，稀疏参数反映映射过程中相邻点的稀疏性表示稀疏，k′代表最终选取的点数，将中各邻近点的特征向量与中心点的特征向量做差得到： 作为点pi的局部特征矩阵；同时复制特征向量fi得到：Fi＝[fi,fi,…fi]dimf×k′作为点pi的全局特征矩阵；将两个特征矩阵连接在一起后，得到点pi的特征矩阵表示，借助多层感知器，得到中心点pi更深层次的特征矩阵表示： 其中，ε为特征提取函数，是由多层感知器实现的映射函数；步骤B12：构建特征聚合模块，特征聚合模块将特征矩阵作为输入，应用多层感知器拟合的自适应权重编码器，输出各中心点pi的相邻点的权重，并将特征矩阵与可学习的权重进行加权聚合： 其中，wij是注意力权重，是一个多层感知器，而σ是一个非线性函数；步骤B2：构建特征拼接和最大池化层，对于特征提取层不同维度的输出进行拼接，并由多层感知机对特征维度升到1024维，再通过最大池化层压缩为1×1024的向量作为点云的最终特征描述；步骤B3：构建由多层感知机实现的分类器，激活函数采用LeakyReLU函数，负斜率设置为0.2，对点云1×1024的向量进行分类；步骤C：训练分类网络模型，对训练样本通过分类网络的特征提取层提取出1024维向量并进行分类，对分类结果进行反向传播对模型进行迭代；步骤D：三维测试点云样本分类，利用训练好的基于稀疏图卷积的神经网络模型进行三维点云数据的分类实验。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学，其通讯地址为：200240 上海市闵行区东川路800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。