[发明专利]图神经网络训练方法、点云特征提取方法、设备及介质

权利要求书

1.一种图神经网络训练方法，所述图神经网络应用于点云特征提取，其特征在于，所述图神经网络训练方法包括：

获取待训练点云，根据所述待训练点云构建图结构数据，其中所述图结构数据包括若干节点，以及所述若干节点之间构成的边；

基于若干聚合函数，以及每一聚合函数的权重参数构建待训练图神经网络；

将所述图结构数据输入所述待训练图神经网络，获取每一聚合函数的聚合结果，并按照所述每一聚合函数的权重参数将所述每一聚合函数的聚合结果融合，得到所述待训练图神经网络的预测输出；

基于所述预测输出对所述每一聚合函数的权重参数进行训练，直至得到最终的图神经网络。

2.根据权利要求1所述的图神经网络训练方法，其特征在于，

所述基于所述预测输出对所述每一聚合函数的权重参数进行训练，直至得到最终的图神经网络，包括：

基于所述预测输出对所述每一聚合函数的权重参数进行训练，直至得到最终的权重参数组合；

基于所述权重参数组合，计算每一聚合函数的影响因子；

将所述影响因子最大的聚合函数保留，构成最终的图神经网络。

3.根据权利要求2所述的图神经网络训练方法，其特征在于，

所述待训练图神经网络由多层聚合层构成，每层聚合层包含相互并联的所述若干聚合函数；

所述将所述影响因子最大的聚合函数保留，构成最终的图神经网络，包括：

将所述每层聚合层中影响因子最大的聚合函数保留，作为该层聚合层的唯一聚合函数，由训练后的多层聚合层构成最终的图神经网络。

4.根据权利要求2或3所述的图神经网络训练方法，其特征在于，

所述聚合函数包括以下至少一种：均值聚合函数、最大池化聚合函数、局部图卷积聚合函数、注意力聚合函数、高维聚合函数以及链式聚合函数。

5.根据权利要求1所述的图神经网络训练方法，其特征在于，

所述根据所述待训练点云构建图结构数据，包括：

将所述待训练点云中的所有点，作为所述图结构数据的节点，其中，每个节点包含对应点的三维坐标信息；

获取两两节点之间的距离，连接所述距离小于预设阈值的两个节点之间的边；

基于所有节点，以及已创建的边构建所述图结构数据。

6.根据权利要求1所述的图神经网络训练方法，其特征在于，

所述获取待训练点云，包括：

获取原始点云；

通过预设聚类算法，将所述原始点云划分为若干待训练点云；

所述按照所述每一聚合函数的权重参数将所述每一聚合函数的聚合结果融合，得到所述待训练图神经网络的预测输出，包括：

按照所述每一聚合函数的权重参数将所述每一聚合函数的聚合结果融合，得到每一待训练点云的第一预测点云特征；

将所有待训练点云的第一预测点云特征进行融合，得到所述原始点云的第二预测点云特征，作为所述待训练图神经网络的预测输出。

7.根据权利要求6所述的图神经网络训练方法，其特征在于，

所述通过预设聚类算法，将所述原始点云划分为若干待训练点云之后，所述图神经网络训练方法还包括：

从所述若干待训练点云中选择若干起始点，以及每一待训练点云的重心；

基于每一起始点与所有待训练点云的重心的距离，获取所述每一起始点对应的待训练副点云。

8.根据权利要求7所述的图神经网络训练方法，其特征在于，

所述基于每一起始点与所有待训练点云的重心的距离，获取所述每一起始点对应的待训练副点云，包括：

根据所述每一起始点与所有待训练点云的重心的第一距离，获取所述第一距离最大的待训练点云中的第一采样点，并将所述起始点与所述第一采样点构成采样点集；

计算所述采样点集与所有待训练点云的重心的第二距离，获取所述第二距离最大的待训练点云中的第二采样点，将所述第二采样点加入所述采样点集，直至所述采样点集中点的数量达到预设数量，将最终的采样点集作为所述起始点对应的待训练副点云。