[发明专利]基于自监督学习的旋转鲁棒的点云分类方法

权利要求书

1.一种基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：所述的方法步骤包括如下：

S1：获取三维点云数据，并对三维点云数据进行预处理，得到三维点云的三维坐标序列；

S2：将步骤S1得到的三维点云的三维坐标序列输入预设的自监督学习网络进行训练，训练好的自监督学习网络中的骨干网络输出为对应三维点云模型的高维表征；

S3：将步骤S1得到的三维点云的三维坐标序列进行多次空间变换，得到多个模型并输入S2训练好的骨干网络，每个模型得到对应的三维点云的高维表征；

S4：结合通过步骤S3得到的多个高维表征得到最终表征，并用最终表征和对应的类别标注信息有监督学习得到网络参数，根据网络参数生成目标分类器；

S5：在预测阶段，将待分类的三维点云数据进行预处理后，输入目标分类器完成点云分类。

2.根据权利要求1所述的基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：所述的预处理包括归一化、采样，将三维点云的坐标归一化到-1到1之间，然后用最远点采样算法对每个三维点云数据进行采样，从而得到三维点云的三维坐标序列。

3.根据权利要求2所述的基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：对自监督学习网络训练如下：

S201：对三维点云的三维坐标序列X进行随机旋转变换t得到变换后的三维点云的三维坐标序列Y，将三维坐标序列X、三维坐标序列Y分别输入到骨干网络中得到对应模型的高维特征和高维特征

S202：将高维特征和高维特征输入到预设的投影神经网络，高维特征和高维特征经过非线性的激活函数激活后得到能够判别特征之间对应变换的高维特征和高维特征

S203：把高维特征和高维特征级联，输入到预设的神经网络判别器，得到每个点的空间变换对初始变换t和预测的变换用平均平方误差损失函数计算损失进行反向传播，训练得到S21中骨干网络的参数。

4.根据权利要求3所述的基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：所述的骨干网络采用去掉最后全连接层的DGCNN。

5.根据权利要求4所述的基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：步骤S3，具体地，对每个三维点云的三维坐标序列做如下变换，绕三维空间中的x轴，分别旋转1/4，2/4，3/4和1个弧度，再加上原始的三维点云，分别输入到骨干网络中，得到5个高维表征。

6.根据权利要求5所述的基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：步骤S4，具体地，

S401：将5个高维表征通分别过一个卷积模块压缩特征，然后在维度方向上分别进行全局最大池化和全局平均池化，将两种池化得到的结果级联得到中间特征，把这些中间特征在维度方向上拼接，得到维度为5*C的拼接特征，其中C为中间特征的维度；

S402：将拼接特征进行全局最大池化和全局平均池化，然后再级联，得到最终用于分类的最终特征；将最终特征输入预设的神经网络分类器模块，得到包括每个类别置信度得分的向量，用该向量与输入三维模型的对应类别计算交叉熵损失用于训练，得到目标分类器的网络参数。

7.根据权利要求6所述的基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：在训练过程中，骨干网络的参数冻结，不参与训练。

8.根据权利要求7所述的基于自监督学习的旋转鲁棒的点云分类方法，其特征在于：步骤S5，待分类的三维点云通过归一化、采样进行预处理后，按照S402的方法得到最终特征，再输入目标分类器网络，得到包括每个类别预测得分的向量，向量中分数最大的值所对应的类别即为整个网络对该输入的三维点云预测的类别。

9.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时，实现如权利要求1～8任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时，实现如权利要求1～8任一项所述的方法的步骤。