[发明专利]基于注意力机制的3D点云分类方法、终端设备及存储介质

权利要求书

1.一种基于注意力机制的3D点云分类方法，其特征在于，包括：

创建注意力机制神经网络模型，所述注意力机制神经网络模型包括M层相连的注意力机制卷积网络层；

将3D点云逐级输入至所述注意力机制卷积网络层中，得到3D点云中所有点的点类特征；以及，

基于3D点云中所有点的点类特征对所述3D点云进行分类。

2.根据权利要求1所述的方法，其特征在于，还包括：

在所述注意力机制卷积网络层中插入残差连接。

3.根据权利要求1所述的方法，其特征在于，在将3D点云逐级输入至所述注意力机制卷积网络层中之前，还包括：

对3D点云进行对称变换，得到经过对称变换的3D点云；

将3D点云逐级输入至所述注意力机制卷积网络层中，得到所述3D点云中所有点的点类特征，包括：

将经过对称变换的3D点云逐级输入至所述注意力机制卷积网络层中，得到所述3D点云中所有点的点类特征。

4.根据权利要求3所述的方法，其特征在于，对3D点云进行对称变换，包括：

采用PointNet对称函数对3D点云进行对称变换。

5.根据权利要求3所述的方法，其特征在于，将3D点云逐级输入至所述注意力机制卷积网络层中，得到3D点云中所有点的点类特征，包括：

将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征；

对3D点云中所有点最终的全局点类特征和局部边缘点类特征进行池化聚合操作，得到3D点云中所有点的点类特征。

6.根据权利要求5所述的方法，其特征在于，还包括：

在所述注意力机制卷积网络层中插入EgeConv点云局部特征提取算法；

将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征，包括：

将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，基于所述EgeConv点云局部特征提取算法分别提取第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中的3D点云中所有点的局部边缘点类特征。

7.根据权利要求5或6所示的方法，其特征在于，将3D点云逐级输入到第1层的注意力机制卷积网络层至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征，包括：

将3D点云输入至第1层注意力机制卷积网络层中，提取3D点云所有点的初始全局点类特征和初始局部边缘点类特征；

将所述初始全局点类特征和初始局部边缘点类特征进行池化聚合，得到所述初始全局点类特征和初始局部边缘点类特征的一维特征向量；

将所述一维特征向量送入编码器-解码器结构学习所述一维特征向量的共享注意力权重；

采用Sigmoid门控函数对所述共享注意力权重进行重新校准，得到校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重；

基于校准后的初始全局点类特征的注意力权重以及校准后的初始局部边缘点类特征的注意力权重获取3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；

将3D点云所有点在第1层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；

将3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至下一层注意力机制卷积网络层中，继续获取3D点云所有点在下一层注意力机制卷积网络层的全局点类特征和局部边缘点类特征；

判断下一层注意力机制卷积网络层是否为第M层，若是，则将3D点云所有点在本层注意力机制卷积网络层的全局点类特征和局部边缘点类特征输入至第M层的注意力机制卷积网络层中，得到3D点云中所有点最终的全局点类特征和局部边缘点类特征。