[发明专利]一种大场景点云语义分割方法

权利要求书

1.一种大场景点云语义分割方法，其特征在于，包括：

将包含特征信息的三维点云数据进行特征拼接得到点云初始特征；

将点云初始特征进行扩张图卷积和随机采样得到多层中间特征和采样编码特征；

对多层中间特征进行跨层上下文推理得到互补上下文特征，并拼接到最后一层得到的采样编码特征中得到最终编码特征；

将最终编码特征进行解码得到解码特征；

将解码特征输入全连接层分类器得到分割结果预测；

构建损失函数训练并优化模型，保存模型参数；

将点云初始特征输入编码器进行扩张图卷积和随机采样得到多层中间特征和编码特征包括：

将点云初始特征进行第一次扩张图卷积，得到第一层编码特征；

将第一层编码特征进行随机采样输出第一层采样编码特征和第一层中间特征；

将第一层采样编码特征进行第二次扩张图卷积，得到第二层编码特征；

将第二层编码特征进行随机采样输出第二层采样编码特征和第二层中间特征；

依此类推，将上一层输出的采样编码特征进行扩张图卷积，得到对应层的编码特征；

再将对应层的编码特征进行随机采样输出对应层的采样编码特征和中间特征；

直到经过M次扩张图卷积和随机采样输出最后一层采样编码特征和最后一层中间特征；

所述扩张图卷积包括如下步骤：

对输入的特征利用K最近邻算法搜索近邻点；

结合扩张率r扩大感受野，得到相对中心点的个近邻点；

通过中心点与近邻点之间的相对关系生成每个近邻点的权重；

通过生成的权重对每个点周围近邻点进行加权求和，得到每个点的编码特征；

所述将最终编码特征送入解码器得到解码特征包括通过注意力融合的方式选择性地融合包含几何细节信息的编码层特征，具体为：

对第层解码特征赋予初始值，并对该初始值进行插值上采样；

计算跨连到第层解码器的编码特征的注意力权重；

将第层编码特征与第层编码特征的注意力权重相乘；

相乘后的结合与插值上采样后的第层解码特征进行拼接；

拼接后的结果通过多层感知机输出更新第层解码特征，并输入下一层解码器中；

以此类推，按照上述方式计算其它层解码器的解码特征；

所述计算跨连到第层解码器的编码特征的注意力权重包括：

将赋予初始值的第层解码特征经过插值上采样后通过全连接层得到预分割结果；

将预分割结果转置后与第层编码特征进行矩阵相乘；

将相乘后的结果输入神经网络的Sigmoid激活函数得到概率矩阵；

将预分割结果与激活函数输出的概率矩阵进行相乘得到跨连到第层解码器的编码特征的注意力权重。

2.根据权利要求1所述的一种大场景点云语义分割方法，其特征在于，所述将包含特征信息的三维点云数据进行特征拼接得到点云初始特征包括：

读取三维点云数据的特征信息；

将特征信息拼接得到拼接特征；

将拼接特征通过卷积层或全连接层进行特征融合得到预设输出维度的点云初始特征。

3.根据权利要求1所述的一种大场景点云语义分割方法，其特征在于，所述随机采样将上一层编码特征四分之一的点作为采样编码特征输入下一层，采样前的上一层编码特征作为中间特征输出。

4.根据权利要求1所述的一种大场景点云语义分割方法，其特征在于，所述对多层中间特征进行跨层上下文推理得到互补上下文特征包括：

将第一层中间特征作为底层特征，第二层中间特征作为高层特征，对底层特征和高层特征分别进行第一次卷积操作；

将第一次卷积操作后的结果相乘后输入softmax分类器；

将低层特征进行第二次卷积操作后与softmax分类器输出的概率矩阵相乘，再对结果进行第三次卷积操作；

将第三次卷积操作的结果与高层特征进行特征拼接；

将特征拼接的结果进行第四次卷积操作从而输出第一层中间特征和第二层中间特征之间的上下文推理；

将第一层中间特征和第二层中间特征之间的上下文推理再次作为底层特征，将第三层中间特征作为高层特征，重复上述过程，从而得到第一层中间特征、第二层中间特征以及第三层中间特征之间的上下文推理；

以此类推，从而完成多层中间特征的互补上下文特征。