[发明专利]一种基于神经网络三体模型的三维点云语义分析方法

说明书

本发明提供一种基于神经网络三体模型的三维点云语义分析方法，该方法包括：完成激光3D点云数据语义分析的学习体构建，其中学习体的构建主要分为两大环节，一是局部空间编码，二是引入注意力机制；接着构建记忆体与解释体：找到介观体系中的张量单元，然后通过介观体系提取实体参数，随着这些介观体系在模型里逐层上升，把介观体系中的其他粒子信息作为背景环境，不断更新这个张量单元描述，最终分别为每个介观体系预测整体介观体系群和单个介观体系之间的空间关系。本发明提出基于介观体系神经网络三体模型的三维点云语义分析策略，能够应用于大场景动态激光3D点云语义分析，对未来不断升维的发展趋势，具有一定的泛化性。

技术领域

本发明属于神经网络三体模型的三维点云语义分析领域，尤其涉及一种基于神经网络三体模型的三维点云语义分析方法。

背景技术

近年来，工业检测、智能体作业等诸多领域对基于深度学习的大场景激光三维（Three Dimensional，3D）点云目标识别与跟踪技术需求日益强烈。然而，由于激光点云通常存在非规则化、非结构化、无序化等特性，导致传统的卷积神经网络（ConvolutionalNeural Networks，CNN）无法直接应用于此类数据。同时，因深度学习与人类认知系统之间存在根本性的差异，“黑箱模型”的存在又会导致其缺乏可解释性等致命问题。

因此，为适应复杂系统需求，突破原有平行维度理念，基于“升维”与“跨界”的理念，通过引入介观体系的概念及特性，重点完成基于学习体、记忆体、解释体的三体神经网络模型的3D点云语义分析方法的系统化研究。

发明内容

为了解决上述技术问题，本发明提供一种基于神经网络三体模型的三维点云语义分析方法，该方法包括：

步骤1：局部空间编码：编码3D点云的空间几何形状信息，从而使得网络能够从各个点的相对位置以及距离信息中更好地学习到空间的几何结构；

步骤2：引入注意力机制：输出各个点的相对位置以及距离信息的邻域点特征集，通过注意力机制来自动学习和聚合，考虑到输入的点云会被持续大幅度的降采样，在解码器中的上采样阶段，采用更加高效的最近邻插值，进一步提升算法执行效率；

步骤3：通过不断学习与迭代，促使介观体系不断增大每个点的感受野以及促进邻域点之间的特征传播，进而完成从低级介观体系向高级介观体系演变过程，完成学习体的构建；

步骤4：构建记忆体与解释体：找到介观体系中的张量单元，然后通过介观体系提取实体参数，随着这些介观体系在模型里逐层上升，把介观体系中的其他粒子信息作为背景环境，不断更新这个张量单元描述，最终分别为每个介观体系预测整体介观体系群和单个介观体系之间的空间关系；

步骤5：如此迭代，高层次的介观体系中应当具备一定的解释能力，因此，使用解释体有一个隐含的假设是，其中有一个是正确的解释，为找出正确的解释，需要选择一个目标函数，确保高层次介观体系通过混合模型产生的、已经在低层次介观体系上观察到的姿态的对数似然最大化；

步骤6：当通过解释体做反向传播时，学习如何让高层次的介观体系实例化，这并不能很好地解释数据的元素，因此，需要建立解析树，使最好解释的元素得到最大导数，即可以学习和优化。

优选的，所述步骤2中通过注意力机制来自动学习和聚合，是通过设计共享函数来为每个点学习单独能够自动选择重要特征的注意力权值，最终得到的特征是这些邻域特征点集的加权求和。

优选的，所述步骤4中为每个介观体系预测整体介观体系群和单个介观体系之间的空间关系，是每一个已经实例化的高层次介观体系都会为每个已经从图像中提取到的低层次的介观体系预测姿态，在预测姿态的过程中，选择一个目标函数，确保高层次介观体系通过混合模型产生的、已经在低层次介观体系上观察到的姿态的对数似然最大化。