[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

说明书

本申请提供了一种图神经网络训练方法、点云特征提取方法、设备及存储介质，其中，该图神经网络应用于点云特征提取，训练方法包括：获取待训练点云，根据待训练点云构建图结构数据，图结构数据包括若干节点，以及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；将图结构数据输入待训练图神经网络，获取每一聚合函数的聚合结果，按照每一聚合函数的权重参数将每一聚合函数的聚合结果融合，得到待训练图神经网络的预测输出；基于预测输出对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。通过上述的方式，针对不同场景和数据进行网络模型架构的搜索，提升图神经网络模型对场景的解析能力。

技术领域

本申请涉及点云数据处理领域，特别是涉及一种用于点云特征提取的神经网络训练方法、终端及介质。

背景技术

三维点云信息与二维图像相比，具有更丰富的描述信息，克服了单视角投影的局限。三维点云信息中包含了丰富的真实物体信息，通过对点云信息的提取可以处理传统机器视觉难以解决的问题。三维点云信息量庞大，在处理过程中需要对点云信息进行采样和信息提取，点云的数据特征适合使用图神经网络(Graph Neural Network，GNN)进行解析。

GNN从点云中采样部分点作为图的节点，根据规则进行连接，通过聚合节点与邻域的信息完成相应点云信息的学习。目前基于GNN的点云学习方法，一方面易丢失大量有用信息，另一方面缺乏在特定应用场景下的点云特征表述。

发明内容

本申请提供一种用于图神经网络训练方法、点云特征提取方法、设备及存储介质。

本申请采用的一个技术方案是提供一种图神经网络训练方法，应用于点云特征提取，其中，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。

其中，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。

其中，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。

其中，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。

其中，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；