龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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！
申请/专利权人：合肥工业大学
摘要：本发明公开了一种基于多尺度学习式邻居选择的点云分类方法，包括以下步骤：输入原始点云数据，使用前馈网络模块对原始点云进行处理，提取点云特征；使用动态偏移门控注意力模块学习计算出点云中每个点对的相似度分数；在MLNSConv模块中，对每个点选择邻居点构建两个不同尺度的局部邻域，然后对每个局部邻域动态构建图，对计算出的边特征进行聚合得到每个邻域的特征，根据融合得到的新特征替换原始点特征；将来自不同MLNSConv模块的输出特征向量进行融合；全局特征通过最大池化操作以及多个全连接网络获取每类点云的预测分数，根据最高的预测分数确定输入点云的类别。本发明提出一种高效的点云分类网络，使得点云的分类任务完成的更加准确。
主权项：1.一种基于多尺度学习式邻居选择的点云分类方法，其特征在于，包括以下步骤：S1、原始点云数据集：先对原始点云进行最远点采样算法，针对每个采样点通过搜索固定半径范围内的邻居点来实现局部邻域的构建，然后对于每个局部邻域，使用PointNet网络来提取局部邻域的高级特征，最后将各个局部邻域的高级特征聚合以得到全局特征；S2、动态偏移门控注意力模块：使用动态偏移门控注意力模块根据输入点云的全局特征矩阵动态的计算出点云中每个点对的相似度分数；S3、MLNSConv模块：在MLNSConv模块中，根据步骤S2计算出的每个点对之间的相似度分数，为每个点动态的选择k1和k2两个尺度的局部邻域；然后使用多层感知机学习中心点和其近邻点之间的边特征，将得到的边特征进行聚合得到每个局部邻域的特征，最后将两个邻域的特征进行融合，更新每个点的特征表示；S4、多尺度特征融合：将各个MLNSConv模块前后连接并将每个MLNSConv模块的输出特征进行特征融合，采用拼接的方式来融合不同层的输出；S5、分类任务：在步骤S4的特征融合之后通过一个全连接层和一个最大池化操作，得到新的点云特征，最后通过多个全连接网络获取每类点云的预测分数，并根据最高的预测分数来确定输入点云的类别，实现分类任务。
全文数据：
权利要求：
百度查询： 合肥工业大学 一种基于多尺度学习式邻居选择的点云分类分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号