[发明专利]点云分割方法、系统、介质、计算机设备、终端及应用

权利要求书

1.一种点云分割方法，其特征在于，所述点云分割方法构建基于分层图Transformer的特征提取模块，包括基于图Transformer的特征下采样网络和特征上采样网络；搭建基于分层图Transformer的点云分割网络，使用带有权重的交叉熵损失函数，使用训练集对分层图Transformer点云分割网络进行有监督的训练，每轮训练根据损失值，调整网络参数，得到网络模型；使用训练好的网络模型对测试集中的点云进行预测，得到点云中每个点的分割结果。

2.如权利要求1所述的点云分割方法，其特征在于，构建基于分层图Transformer的特征提取模块具体包括：

步骤一，构建基于图Transformer的特征下采样网络，该特征下采样网络包括n个级联的下采样模块，每个下采样模块包括依次级联的特征编码层、图Transformer特征提取层和采样分层层；

步骤二，构建特征上采样网络，该特征上采样网络包括依次级联的n个上采样模块，每个上采样模块包括依次级联的特征插值层和特征融合层。

3.如权利要求2所述的点云分割方法，其特征在于，所述构建基于图Transformer的特征下采样网络，该特征下采样网络包括n个级联的下采样模块，每个下采样模块包括依次级联的特征编码层、图Transformer特征提取层和采样分层层具体包括：

(1)构造特征编码层方式，采用K最近邻法将点云数据构造图的形式，点云中的每个点对应图中的一个顶点，每个顶点有K个邻居，特征编码方式如下：

其中p_i表示图中顶点i的空间信息，表示顶点i邻居k的空间信息；f_i表示图中顶点i的特征信息，f_i^k表示顶点i邻居k的特征信息，MLP为多层感知器；Concat表示连接操作，为顶点i编码了邻居k的特征；

(2)搭建图Transformer特征提取层，对编码特征进行特征提取，提取方式如下：

F_i＝LayerNorm(FFN(F_i)+LayerNorm(F_i+Mhatt(F_i^K)))；

其中FFN(.)是一个两层前馈神经网络，LayerNorm表示为层归一化，层之间具有非线性变换；Mhatt(.)是多头图注意力层，其表达式如下：

其中||表示N个注意力头的级联，σ是激活函数，W是权重，其中α是每个头注意力参数，表达式如下：

其中Δf_i^k＝f_i-f_i^k；

通过图Transformer提取到特征F_i，其融合了K个邻居的特征信息；

(3)将图Transformer提取到的点特征图F∈R^N×D进行随机下采样，N为顶点个数，D为特征维度，得到点数减少的点特征图F′∈R^(N/l)×D，l为采样率；

(4)将依次级联的特征编码层、图Transformer特征提取层和采样分层层组合成基于图Transformer的下采样模块，依次叠加n个下采样模块，得到不同层次的点特征图{F_d0∈R^N×D,F_d1∈R^(N/l)×D,...,F_dn∈R^(N/nl)×D}。