[发明专利]特征提取方法、网络训练方法、电子设备及存储介质

权利要求书

1.一种特征提取方法，其特征在于，所述特征提取方法包括：

获取输入点云的第一稀疏特征；

基于预先定义的多个不同的尺度对所述第一稀疏特征进行采样，得到每个尺度对应的第二稀疏特征；

利用全连接层获取每个尺度对应的第二稀疏特征分配的权重；

利用分配的权重对多个不同尺度对应的第二稀疏特征进行融合，以得到多尺度几何增强的融合系数特征。

2.根据权利要求1所述的特征提取方法，其特征在于，所述得到多尺度几何增强的融合系数特征之后，所述特征提取方法还包括：

按照预先定义的最小尺度对所述融合系数特征进行最近邻上采样，得到最终的融合系数特征。

3.根据权利要求1所述的特征提取方法，其特征在于，所述采用全连接层获取每个尺度对应的第二稀疏特征分配的权重之前，所述特征提取方法还包括：

将多个不同尺度对应的第二稀疏特征进行上采样，以使得上采样后的第二稀疏特征长度相等；

将多个上采样后的第二稀疏特征进行融合，得到全局稀疏特征；

将所述全局稀疏特征输入所述全连接层进行每个尺度对应的第二稀疏特征的权重分配。

4.根据权利要求3所述的特征提取方法，其特征在于，所述将多个不同尺度对应的第二稀疏特征进行上采样，包括：

获取多个不同尺度中的最小尺度；

按照所述最小尺度对多个第二稀疏特征进行上采样，以将多个第二稀疏特征统一至最小尺度的特征长度。

5.根据权利要求3所述的特征提取方法，其特征在于，所述利用分配的权重对多个不同尺度对应的第二稀疏特征进行融合，包括：

将多个第二稀疏特征与对应分配的权重进行加权处理；

将多个加权后的第二稀疏特征进行求和，以得到所述多尺度几何增强的融合稀疏特征。

6.根据权利要求1所述的特征提取方法，其特征在于，所述特征提取方法还包括：

将所述融合稀疏特征输入语义预测模型，以进行语义预测，获取所述融合稀疏特征的预测语义分类；

将所述预测语义分类按照所述融合稀疏特征与所述输入点云的位置映射关系映射到所述输入点云的相应位置，以得到所述输入点云的整体预测语义分类。

7.根据权利要求6所述的特征提取方法，其特征在于，将所述预测语义分类映射为所述整体预测语义分类的映射方式为最近邻插值法。

8.根据权利要求6所述的特征提取方法，其特征在于，所述特征提取方法还包括：

基于所述预测语义分类和真实语义分类对所述全连接层的模型进行训练。

9.根据权利要求8所述的特征提取方法，其特征在于，所述特征提取方法还包括：

以迭代方式重复执行以下步骤：

基于预先定义的多个不同的尺度对所述第一稀疏特征进行采样，得到每个尺度对应的第二稀疏特征；

采用全连接层获取每个尺度对应的第二稀疏特征分配的权重；

利用分配的权重对多个不同尺度对应的第二稀疏特征进行融合，以得到多尺度几何增强的融合稀疏特征；

其中，每次迭代得到的融合稀疏特征作为下一次迭代的第一稀疏特征以及训练下一次迭代中全连接层的模型参数。

10.根据权利要求9所述的特征提取方法，其特征在于，所述特征提取方法还包括：

将多次迭代所分别获取的融合稀疏特征进行叠加，以获取叠加融合稀疏特征；

将所述叠加融合稀疏特征输入所述语义预测模型；

基于所述叠加融合稀疏特征的所述预测语义分类和真实语义分类对所述全连接层的模型进行训练。