申请/专利权人：华中科技大学

申请日：2024-05-27

公开（公告）日：2024-06-25

公开（公告）号：CN118247512A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/764;G06V10/82;G06V10/774;G06N3/09

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了点云语义分割模型建立方法及点云语义分割方法，属于点云语义分割领域，包括：使CNN和Transformer模型在部分标注的点云上进行交叉学习，在对有标记点预测的同时计算各类别的置信度；对未标记点进行预测，预测结果作为伪标签，并按照置信度对各类点进行采样，置信度越低的类别，点的采样率越高；由CNN和Transformer模型标记伪标签的采样点集分别馈送至Transformer模型和CNN模型；训练损失包括监督损失和无监督损失。本发明同时训练CNN和Transformer模型，通过交叉学习和自适应类均衡采样，能够有效缓解点云数据空间分布不均匀和数据类别不平衡问题对于点云语义分割精度的影响，提高分割精度。

主权项：1.一种点云语义分割模型建立方法，其特征在于，包括：（S1）获取部分标注的原始点云，将其划分为有标记点集和未标记点集；有标记点集中的点标注了类别真值；（S2）将有标记点集输入卷积神经网络以进行类别预测，计算预测结果相对于类别真值的监督损失LSC以及各类别的置信度；将有标记点集输入Transformer模型以进行类别预测，并计算预测结果相对于类别真值的监督损失LST以及各类别的置信度；a=1、2…A，A表示类别总数；置信度表示各类别预测的可靠程度；（S3）将未标记点集输入所述卷积神经网络以进行类别预测，根据预测结果构造类别伪标签，并按照置信度对各类未标记的点进行采样，得到第一采样点集；将未标记点集输入所述Transformer模型以进行类别预测，根据预测结果构造类别伪标签，并按照置信度对各类未标记的点进行采样，得到第二采样点集；置信度越低的类别，采样率越高；（S4）将第一采样点集输入所述Transformer模型和所述卷积神经网络以进行类别预测，并计算预测结果相对于类别伪标签的无监督损失LUT；将第二采样点集输入所述卷积神经网络以进行类别预测，并计算预测结果相对于类别伪标签的无监督损失LUC；（S5）构造同时包含监督损失LSC、LST以及无监督损失LUC、LUT的损失函数，以使得所述损失函数最小化为目标对所述卷积神经网络和所述Transformer模型的参数进行更新；（S6）重复执行步骤（S2）~（S5），直至达到预设的迭代终止条件；（S7）输出所述卷积神经网络和所述Transformer模型中预测性能较高的作为点云语义分割模型。

全文数据：

权利要求：

百度查询： 华中科技大学 点云语义分割模型建立方法及点云语义分割方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD