[发明专利]一种密度自适应的点云端到端采样方法

说明书

一种密度自适应的点云端到端采样方法，涉及计算机视觉技术。包括步骤：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。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。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。以端到端学习的方式实现任务相关的点云采样，能够缓解点云密度变化及噪声对采样过程的干扰，从而提升点云采样结果的有效性。

技术领域

本发明涉及计算机视觉技术，具体是涉及一种密度自适应的点云端到端采样方法。

背景技术

作为3D数据的重要代表，点云是一组能够描述对象几何形状的无序点。由于点云通常包含大量的输入点，为降低点云大小并提高计算效率，通常在下游任务执行之前进行下采样操作。

在点云任务中应用最广泛的下采样方法是最远点采样FPS。通过迭代选择最远的点，FPS能够尽可能地覆盖输入点云。然而，FPS的采样结果是任务不相关和噪声敏感的。针对FPS存在的问题，许多学者基于深度学习框架提出下采样的改进算法。Nezhadarya等人(Ehsan Nezhadarya,Ehsan Taghavi,Ryan Razani,Bingbing Liu,and Jun Luo.“Adaptive hierarchical down-sampling for point cloud classification.”InProceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2020.pp.12956-12964.)提出CP-Net，通过衡量采样点对全局池化特征的贡献，能够实现确定性的采样。Dovrat等人(Oren Dovrat,Itai Lang,and Shai Avidan.“Learning to sample.”InProceedings of the IEEE/CVF Conference on ComputerVision and Pattern Recognition.2019.pp.2760-2769.)提出S-Net，通过网络训练得到最优于任务的采样点。Lang等人(Itai Lang,Asaf Manor,and Shai Avidan.“SampleNet:differentiable point cloud sampling.”In Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition.2020.pp.7578-7588.)设计SampleNet，通过对投影权重的优化，实现采样点匹配步骤的可微性。Yang等人(JianchengYang,Qiang Zhang,Bingbing Ni,Linguo Li,Jinxian Liu,Mengdie Zhou,and Qi Tian.“Modeling Point Clouds With Self-Attention and Gumbel Subset Sampling.”InProceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2019.pp.3323-3332.)提出Gumbel子集采样，通Gumbel-Softmax实现端到端可训练的采样层。Yan等人(Xu Yan,Chaoda Zheng,Zhen Li,Sheng Wang,and ShuguangCui.“PointASNL:Robust point clouds processing using nonlocal neural networkswith adaptive sampling.”InProceedings of the IEEE/CVF Conference on ComputerVision and Pattern Recognition.2020.pp.5589-5598.)设计PointASNL网络，通过自适应采样及non-local模块的设计，能够缓解噪声对采样结果的影响。