[发明专利]一种基于注意力机制的点云补全方法

权利要求书

1.一种基于注意力机制的点云补全方法，其特征在于包括两个阶段：

1)训练阶段：首先获取点云补全算法所需的数据集，包含有若干个残缺和完整的点云对，将残缺点云送入编码器提取得到残缺点云的特征向量，然后将特征向量送入解码器中，生成完整的点云；对生成的点云进行质量评估，计算生成点云和真实点云之间的倒角距离，作为损失函数指导更新编码器和解码器中的神经网络参数；

2)实施阶段：获取实际扫描的点云数据，将点云数据送入在训练阶段已经训练好的编码器和解码器中，通过提取残缺点云的特征向量，生成完整的点云。

2.如权利要求1所述的一种基于注意力机制的点云补全方法，其特征在于：

所述的编码器为生成残缺点云特征向量：

在获取到残缺点云数据P_in后，将其送入编码器中，编码器的结构依次为位置编码模块、3个串联的自适应全局特征聚合模块和一个最大值池化模块，位置编码模块由两个串联的多层感知器MLP层组成，位置编码模块的第二个多层感知器MLP层输出送入自适应全局特征聚合模块AGFA，自适应全局特征聚合模块共有四个，组成串联结构，最后一个自适应全局特征聚合模块4的输出结果分为二路，一路作为交叉全局特征聚合模块1的一个输入，另一路经过最大值池化操作后得到残缺点云特征向量f，残缺点云特征向量f用公式表达如下：

f＝Max-pool(AGFA⁽⁴⁾(MLP(P_in)))

式中的Max-pool代表最大值池化操作，上标(4)代表迭代通过4个串联的AGFA模块。

3.如权利要求2所述的一种基于注意力机制的点云补全方法，其特征在于：

所述的自适应全局特征聚合模块AGFA的结构为，将位置编码模块的第二个多层感知器MLP的输出作为“值”矩阵和“键”矩阵，同时将位置编码模块的第二个多层感知器MLP的输出的下采样作为“查询”矩阵，将“值”矩阵、“键”矩阵和“查询”矩阵一起送入多头注意力模块1中，多头注意力模块1由Pytorch深度学习工具包实现；然后将多头注意力模块1的输出结果与“查询”矩阵组成跨越连接，跨越连接后的输出经过归一化，送入多层感知器MLP2，多层感知器MLP2输出与归一化的输出再次构成第二次跨越连接，将第二次跨越连接的输出结果取代上次位置编码模块的第二个多层感知器MLP的输出，重复这一过程3次后得到聚合特征矩阵；将聚合特征矩阵送入平均值池化和多层感知器，求得通道注意力权重矩阵，通道注意力权重矩阵与聚合特征矩阵相乘得到自适应全局特征聚合模块的输出，随后将自适应全局特征聚合模块的输出送入最大值池化层，经最大值池化后，得到残缺点云特征向量f。