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：电子科技大学长三角研究院(湖州)

摘要：本发明公开了一种基于局部非局部特征聚合的三维点云语义分割方法。该发明针对现有的特征学习过程是噪声敏感的，且其只考虑相邻区域的局部信息交互，然后通过层次结构获取全局上下文，通常会导致自下而上的特征学习，从而导致提取的特征信息受离群点的影响，且存在特征冗余的情况，提出了一种基于局部信息与非局部特征信息加权求和的方法。本发明以3D点云为输入，在点局部单元中采用相对坐标作为局部特征；在点的非局部特征提取模块中，我们使用采样点作为查询点，通过注意力机制来计算采样点在这一层中与整个点云的相关度，然后进行MLP作为非局部信息，最后进行加权和，以实现点局部特征和点非局部特征的融合，以此提取更具代表性的特征。

主权项：1.一种基于局部非局部特征聚合的三维点云语义分割方法，其特征在于，包括以下步骤：步骤1：首先采用最远点采样方法，从原始点云中获得下采样的N个点云，然后利用球查询算法，设邻域球的半径为r，邻域球内的邻域点数量为K，然后对邻域球进行搜索，获得下采样点云的K个邻域点索引，将下采样点云中的每个点作为中心点，与其邻域点进行组合，得到分组点云，并将邻域点的坐标和特征分别记为xi,1，……，xi,K∈Nxi及其对应的特征fi,1，……，fi,K；步骤2：对步骤1中得到的坐标，通过计算相对坐标作为点云的局部几何特征，即x＝xi-xj，然后利用共享的多层感知机MLP将相对坐标映射到与其他附加特征相同的输出维度上，然后与其他的附加特征进行级联，得到点云的局部特征，即F1＝ConcatMLPxi-xj，fi,j；步骤3：将步骤1中得到的采样点作为查询点，利用自注意力机制，将采样点的附加特征进行MLP，获取点云在非线性空间中的特征信息，然后对其进行平均池化，以获取整体点云的特征信息，然后将池化后的特征信息复制N次，然后再与采样点的坐标进行逐元素乘法，以此作为采样点与整体点云的相似性，即Fxi,fi＝xi⊙NmeanMLPfi步骤4：对步骤3获取的相似度，利用softmax函数将其进行非线性激活，然后利用共享的多层感知机将其映射到与点云局部特征相同的输出维度上，以此作为点云的非局部特征，即 步骤5：对步骤3获得的相似度，应用softmax函数进行非线性激活，然后利用1×1的卷积将其映射到与点云局部特征相同的输出维度上，以此作为点云的非局部特征权重，即 步骤6：将步骤2获取的点云局部特征与步骤4获取的点云非局部特征进行加权求和，其输出作为PointNet++网络这一层的输出，并将其作为下一层的输入，即：F＝F1+wiF2。

全文数据：

权利要求：

百度查询： 电子科技大学长三角研究院(湖州) 一种基于局部非局部特征聚合的三维点云语义分割方法