[发明专利]一种密度自适应的点云端到端采样方法

权利要求书

1.一种密度自适应的点云端到端采样方法，其特征在于包括以下步骤：

A.准备用于分类任务的点云数据集；

B.预训练分类网络PointNet，得到PointNet预训练模型；

C.将原始点云数据输入点云简化网络，实现点云的初步采样；

D.针对每个初步采样点，实施密度自适应的K近邻算法DAKNN，利用K值划分不同大小的邻域；

所述实施密度自适应的K近邻算法DAKNN，利用K值划分不同大小的邻域进一步包括以下子步骤：

D1.计算K的组成部分K₀；K₀反映点云的平均密度，稀疏区域的K₀值大，而稠密区域的K₀值小；K₀的值为U×(N₀/N)；预设情况下，U＝32，N₀＝1024，N是输入点数；

D2.计算K的组成部分D；D由核密度估计算法计算得出，其计算方式为D＝d/d_max，此处d为反密度值；

D3.针对每一个初步采样点s_i，K值由K₀×D计算得出；根据不同的K值，以点云初步采样点s_i为中心，选择K个邻居进行区域划分，得到M个区域Ns_i＝DAKNN(n_k|s_i,k＝1,2,...,K)；

E.采用自注意力机制，利用邻域信息对初步采样点进行加权更新包括以下步骤：

E1.在每个初步采样点s_i的邻域Ns_i，计算每个成员的特征表示；计算公式如下：

φ(n_k)＝W_φn_k (1)

θ(n_j)＝W_θn_j (2)

其中，φ和θ表示不同的特征表示，采用一维卷积实现；n_k、n_j均表示Ns_i的成员；

E2.采用点乘计算邻域中Ns_i中每个成员相互之间的关系f；计算公式如下：

f(n_k,n_j)＝φ(n_k)^Tθ(n_j) (3)

E3.利用每个成员相互之间的关系，采用自注意力机制对组成员特征进行更新，更新公式如下：

其中，n_k表示当前需要更新信息的成员，n_j迭代枚举Ns_i中的所有成员；γ为线性变化，用于对成员的特征进行编码；C是归一化因子；

E4.利用逐点多层感知机σ计算K个邻居对每个初步采样点的贡献，并利用Softmax计算标准化的权重矩阵，权重矩阵的计算方式如下：

E5.对于每一个初步采样点s_i，基于邻居的加权平均特征进行计算，获得更新后的采样点计算公式如下:

F.将更新后的采样点输入预训练的PointNet模型，优化损失函数，得到最终采样点，包括以下子步骤：

F1.将采样点投入预训练的任务网络PointNet，计算分类任务损失函数L_t；

F2.构建采样点与所在邻域的紧密性损失函数L_c，L_c定义为：

其中，M表示初步简化点的个数；

F3.通过联合优化L_t和L_c两个损失函数，生成任务相关的最终采样点，采样网络的总损失定义为：

L_DA-Net＝L_t+L_c(8)。

2.如权利要求1所述一种密度自适应的点云端到端采样方法，其特征在于在步骤A中，所述准备用于分类任务的点云数据集进一步包括以下子步骤：

A1.准备ModelNet40数据集；该数据集包含12,311个模型，分别来自40个不同的类别；按照官方训练测试拆分，包含9843个训练模型和2468个测试模型。