[发明专利]一种跨场景对比学习的弱监督点云语义分割方法

权利要求书

1.一种跨场景对比学习的弱监督点云语义分割方法，其特征在于包括以下步骤：

1)模型初始化：对弱监督数据集中每个场景的点云数据进行预训练，初始化网络参数，得到模型输出的特征向量和类别预测分布；

2)生成并选取伪标签：利用现有的网络为无标签样本推理生成其相应的伪标签，并使用动态阈值窗的方法选取一部分可信赖的伪标签；

3)利用跨场景的对比约束更新网络参数：添加跨场景对比正则化约束，以更新网络的参数；

4)判断模型是否收敛，是则结束，否则重复步骤2)和3)，直至模型收敛。

2.如权利要求1所述一种跨场景对比学习的弱监督点云语义分割方法，其特征在于在步骤1)中，所述每个场景的点云数据包含有标签点集合(X^l,Y)和无标签点集合其中，分别表示每个场景包含N_l个有标签点和N_u个无标签点(N_l＜＜N_l)，是有标签点所对应的标签。

3.如权利要求1所述一种跨场景对比学习的弱监督点云语义分割方法，其特征在于在步骤1)中，所述预训练采用网格采样的预处理方法，每个批次选取8个不同的点云，每个点云采样40960个点作为当前批次的网络输入；利用有标签点对网络进行初始化，使用MLPs-2输出的有标签点的类别预测分布与其对应的标签做交叉熵，得到分割损失L_seg，以此来训练网络；在预训练阶段只使用分割损失L_seg对模型的优化过程进行约束，且只对有标签点计算损失。

4.如权利要求1所述一种跨场景对比学习的弱监督点云语义分割方法，其特征在于在步骤1)中，所述得到模型输出的特征向量和类别预测分布的具体步骤为：

(1)将一个批次的点云数据均分为两部分，即将8个点云组成4个点云对，将它们输入到主干网络中，再经过一个MLP层MLPs-1并用Relu函数激活后，将点云数据映射到一个共享的特征空间中，得到每个点对应的128维度的特征向量；

(2)将特征向量输入到MLP层MLPs-2并用softmax函数激活后得到每个点对应的C维度的类别预测分布，其中，C表示数据集共包含C个类别。

5.如权利要求1所述一种跨场景对比学习的弱监督点云语义分割方法，其特征在于在步骤2)中，所述生成并选取伪标签，先从一个场景的点云中根据不同的局部几何结构和上下文下采样出多个重叠度高的子云集合，并对预测进行平滑，得到每个点最终的预测结果；再利用动态阈值窗方法来选取一些可信赖的伪标签，以缓解样本的类别不平衡。

6.如权利要求1所述一种跨场景对比学习的弱监督点云语义分割方法，其特征在于在步骤2)中，所述生成并选取伪标签的具体步骤为：

(1)采样-移动-平滑方法生成无标签点的伪标签：利用主干网络对于点的空间位置编码受到邻域信息影响的性质，对每个场景采样互相具有较大的重叠度的t个子云，通过一个MLP层MLPs-2得到每个子云对应的预测其中，N'是每个子云中点的个数；进一步在没有采样到的点的对应位置添加0向量，使得扩展到空间，其中，N是整个点云的总点数，并使得点的顺序在所有的中是一致的，则采样-移动-平滑方法公式化为：

其中，τ是平滑系数，每个点云最终的预测结果通过归一化的每一行获得；由于不同子云中的点包含不同的局部几何结构和上下文，采样-移动平滑操作消除不同子云在预测中的波动，以减少错误预测；

(2)动态阈值窗选取可信赖的伪标签：为减小样本类别不平衡的问题，采用动态阈值窗的方法来过滤伪标签；对于类别k，令该类对应的动态阈值δ_k为：其中，δ_len表示阈值窗的宽度，在应用中取值为0.2，δ_d为阈值的下界，在应用中取值为0.5；对于每个样本x⁽ⁱ⁾，生成其对应的预选择伪标签其中，1[·]是指示函数；然后通过有标签点的标签和预选择伪标签来更新得到每个点的伪标签：