[发明专利]一种基于变换器神经网络的点云数据处理方法

权利要求书

1.一种基于变换器神经网络的点云数据处理方法，其特征在于，包括：

步骤S1、构建三维物体对称检测模型，所述三维物体对称检测模型通过检测物体对称面/轴获取输入的点云数据的对称点，利用所述对称点将所述点云数据的投影平面转换为对称结构的旋转平移操作，得到多组数据据增强后的点云图数据；

步骤S2、构建变换器网络模型，通过变换器网络模型提取所述多组数据据增强后的点云图数据的全局特征信息和局部特征信息，获取点云数据中每个点的重要程度信息，学习到下采样后的点云数据；

步骤S3、结合不同的目标任务需求，构建任务驱动的任务网络模型，将所述下采样后的点云数据输入到所述任务网络模型，所述任务网络模型进行目标任务学习，输出目标任务结果。

2.根据权利要求1所述的方法，其特征在于，所述的步骤S1具体包括：

基于神经网络构建自注意力机制模块，收集和标注带有对称信息的训练样本，利用所述训练样本对所述自注意力机制模块进行训练；

通过引入多样损失函数将多个所述三维物体对称检测模型进行并联，得到构建共享自注意力模块，所述共享自注意力模块中的不同自注意力模块关注不同的目标；

基于所述共享自注意力模块构建三维物体对称检测模型，将原始点云数据P∈R^3+f输入到所述三维物体对称检测模型，在所述多样性损失函数L_var的约束下，每个自注意力模型学习原始点云数据的某一个对称平面的特征信息，将原始点云数据P∈R^3+f与所有的特征信息进行串联，将串联结果输入到共享全连接网络中，实现同时学习点云图的多组旋转平移矩阵，其中f表示点云数据中除三维坐标的其他特征信息，所述串联操作表示为：

将所述原始点云数据与学习到的多组旋转平移矩阵相乘，得到多组投影平面为对称结构的新坐标下的数据据增强后的点云图数据。

3.根据权利要求2所述的方法，其特征在于，所述的自注意力机制为点云数据中三维坐标下的每个点创建三个向量：查询向量Q、键向量K和值向量V，通过计算Q与K的乘积对输入点和点云中每个点的语义关联度进行重要度评分；

所述自注意力机函数形式化表示为：

其中y_i是经过自注意力模块产生的新的输出特征，β和α表示逐点的特征变换操作，通过将点嵌入向量点乘神经网络训练过程中分别训练的三个特征变换矩阵得到Q、K、V三个向量,γ、θ是矩阵函数，其中γ代表计算Q与K的乘法操作；θ表示值向量的重要度分数矩阵与原始输入的点云数据的集合操作，ρ表示归一化函数。

4.根据权利要求2所述的方法，其特征在于，所述的多样损失函数L_var表示如下：

i表示不同的点云图样本，w表示学习到的注意力权重，p与q表示同一共享注意力模块中不同的两个自注意力模型。

5.根据权利要求2所述的方法，其特征在于，所述的共享全连接网络由三部分级联组成：多层感知机、批标准化函数和线性整流函数，所述共享全连接网络数学化表示为：

F_output＝ReLU(BN(MLP(F_in)))

。