[发明专利]基于深度学习的跨域三维点云分割方法、存储介质

说明书

本发明提供一种基于深度学习的跨域三维点云分割方法、存储介质，方法包括：获取训练数据；构建高效域迁移对抗分割框架；使用训练数据中的源域数据对框架中的条件域融合分割网络模型进行监督训练，得到预训练条件域融合分割网络模型并更新至框架中，再使用训练数据继续训练更新后的分割网络模型得到跨域三维点云条件域融合分割网络模型；输入目标域数据至跨域三维点云条件域融合分割网络模型后，先分别通过其中的主分支E_v和辅助分支E_p提取基于体素的特征和基于点的特征，再通过注意力融合模块融合这两个特征，再通过分类器对融合特征和基于体素的特征进行逐点分类，得到各点的预测标签。本发明能够极大地提升跨域分割的准确率和性能。

技术领域

本发明涉及深度学习技术领域，特别涉及一种基于深度学习的跨域三维点云分割方法、存储介质。

背景技术

自动驾驶汽车要想在复杂的户外环境下有效地运行，必须对户外场景进行分析和理解。因此，对户外大规模3D点云进行语义分割是一项重要的前提任务。尽管现今一些监督学习方法在许多公开数据集上已经取得了非常出色的分割性能。然而，由于训练数据集和真实场景存在较大差异，这些方法在实际应用中依然无法取得出色分割效果。此外，这些方法极度依赖于大量手工标注的数据，然而手工标注大规模数据集不仅耗时而且人工成本非常昂贵。

现有技术中的一种经济替代方法是通过无监督域适应(Unsupervised DomainAdaptation，UDA)方法，利用已经标注好的数据来标记新域数据。在图像领域，UDA已经取得了长足的发展,但在三维点云领域的研究和应用仍处于起步阶段。现有的针对三维点云的UDA方法主要分为两类：1)基于投影的方法，此类方法主要是将三维点云投影到二维图像上以生成深度图像(rangeimage)，再使用成熟的二维图像成熟的UDA方法进行域迁移分割任务。然而，这种方法损失了三维点云丰富的空间几何信息，并产生了严重的遮挡问题，因而很难得到高质量的域不变特征，迁移效果较差；2)基于补全的方法，此类方法先将不同域的三维点云进行补全，生成一个标准域，然后在这个生成的标准域上进行分割任务。这种方法的性能严重受限于补全的效果，因而限制了后续分割方法的性能。此外，现有方法并未考虑到迁移过程中不同类之间的可迁移性差异。因此，上述方法的性能还远远达不到令人满意的效果。

近年来，随着自动驾驶技术的蓬勃发展，三维点云凭借可以完全排除光线的干扰，并轻易取得三维空间几何信息等优势在工业界和科研领域得到了广泛应用，并使得获取大量三维点云数据成为可能。如何利用这些数据，在不需要人工进行标注的情况下，对这些数据进行精准的分割，从而帮助自动驾驶汽车在复杂的户外环境下进行高效的场景理解和分析成为了一项紧迫任务。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于深度学习的跨域三维点云分割方法，极大地提升了跨域分割的准确率和性能。

本发明的第二个目的在于提出一种计算机可读存储介质，能够实现基于深度学习的跨域三维点云分割方法，极大地提升跨域分割的准确率和性能。

为达到上述目的，本发明第一方面实施例提出了一种基于深度学习的跨域三维点云分割方法，包括以下步骤：

获取训练数据，训练数据包括带标签的源域数据和无标签的目标域数据；

构建一高效域迁移对抗分割框架，所述高效域迁移对抗分割框架包括条件域融合分割网络和判别网络；其中，所述条件域融合分割网络包括基于体素的主分支E_v、基于点的辅助分支E_p、注意力融合模块和分类器；

使用所述训练数据中的源域数据对所述条件域融合分割网络进行监督训练，得到预训练条件域融合分割网络模型；

将所述预训练条件域融合分割网络模型加载至所述高效域迁移对抗分割框架中的条件域融合分割网络；