[发明专利]基于切片网络的点云语义分割改进算法

权利要求书

1.基于切片网络的点云语义分割改进算法，其特征在于，其具体步骤如下：

(1)独立特征提取：切片网络中有两个独立的特征提取块，输入特征块消耗输入点X，大小为n×d，并产生特征大小为n×dⁱⁿ，输出特征块将处理后的特征F^su，大小为n×d^su，作为输入，并为每个点生成最终预测，上标in和su表示特征分别来自输入特征块和切片解开层，两个块都使用多个1×1卷积层的序列来为每个点生成独立的特征表示；

(2)切片池层：切片池层的输入是无序点云的特征，输出是有序的特征向量序列，这是通过首先将点分组为切片然后通过聚合切片内的点的特征为每个切片生成全局表示来实现的；

(3)Deep-BRNN层：如上所述，切片池层基本上将无序和非结构化输入点的特征投影到特征向量的有序和结构化序列中，然后将RNN应用于序列以进行局部依赖性建模，因为它们是一组自然为结构化序列设计的端到端学习算法，通过将一个切片视为一个时间戳，当信息流过RNN单元中的时间戳时，来自一个切片的信息将与所有切片相互作用，这使得切片中的上下文相互影响，从而模拟它们中的依赖关系；

(4)切片解开层：作为RSNet本地依赖模块的最后一部分，切片解除层将更新的特征F^r作为输入，并通过反转投影将它们分配回每个点，这可以通过存储切片组S来容易地实现。

2.根据权利要求1所述的基于切片网络的点云语义分割改进算法，其特征在于：所述步骤(1)中独立特征提取RSNet中有两个独立的特征提取块，输入特征块消耗输入点X，大小为n×d，并产生特征大小为n×dⁱⁿ，输出特征块将处理后的特征Fsu，大小为n×d^su，作为输入，并为每个点生成最终预测，上标in和su表示特征分别来自输入特征块和切片解开层，两个块都使用至少2个1×1卷积层的序列来为每个点生成独立的特征表示。

3.根据权利要求1所述的基于切片网络的点云语义分割改进算法，其特征在于：所述步骤(2)切片池层中RSNet的关键部分是本地依赖模块，是切片池层，RNN层和切片解析层的组合，切片池层旨在将无序点的特征投影到序列上，然后将RNN应用于序列的模型依赖性，最后，切片解开层反转投影并将更新的特征分配回每个点；

切片池层的输入是无序点云的特征，输出是有序的特征向量序列，这是通过首先将点分组为切片然后通过聚合切片内的点的特征为每个切片生成全局表示来实现的；

RSNet中考虑了三个切片方向，即沿x，y，z轴切片，以z轴为例说明切片池操作的细节，在切片池层中，输入点X＝{x₁，x₂，...，x_i，...，x_n}首先通过它们在z轴上的空间坐标分割成切片，每个切片的分辨率由超参数r控制，假设输入点在z轴的[z_min，z_max]范围内分布，然后，将点x_i分配给第k个切片，其中z_i是z轴上的x_i坐标，并且总共有N个切片，其中这里和表示ceil和floor功能，以这种方式，所有输入点被分组为N个切片，被视为N组点S＝{S₁，S₂，...，S_i，...，S_N}，其中S_i表示分配给第i个切片的点集，在每个切片中，点的特征被聚合到一个特征向量中以表示关于该切片的全局信息，形式上，在聚合之后，切片合并层产生有序的特征向量序列F^s＝{f^s1，f^s2，...，f^si，...，f^sN}，其中f^si是切片组S_i的全局特征向量，RSNet中采用max-pooling操作作为聚合运算符，它在等式(1)中正式定义；