[发明专利]一种基于深度学习的点云分类方法

权利要求书

1.一种基于深度学习的点云分类方法，其特征在于，所述方法包括：

输入点云数据集，对点云数据集进行预处理；

构建残差网络模型，在残差网络模型中应用通道注意力机制；

建立K-means算法模型，替换网络模型中的softmax层，得到改进后的网络模型；

将点云数据集输入改进后的网络模型中进行训练和测试；

得到点云分类模型，输出分类结果。

2.根据权利要求1所述的基于深度学习的点云分类方法，其特征在于，对所述点云数据集预处理过程为：

对点云数据进行栅格化处理，将点云数据栅格化成二维图像；

对栅格化后的点云数据集进行数据增强操作，如随机旋转、随机平移、镜像翻转；

将预处理后的点云数据集分为训练集和测试集。

3.根据权利要求1所述的基于深度学习的点云分类方法，其特征在于，对所述构建残差网络模型的具体方法为：

构建引入通道注意力模块的残差网络，在残差网络模型中包括输入层、卷积层、池化层、全连接层和输出层；

输入训练集，经过卷积、激活、池化处理，在每个卷积层后进行归一化和ReLU激活，并通过通道注意力模块，然后跳跃连接到其他层与卷积后的输出相加。

4.根据权利要求3所述的基于深度学习的点云分类方法，其特征在于，对所述构建通道注意力模块的具体方法为：

输入H×W×C的特征图，使用全局平均池化对特征图进行压缩，得到两个1×1×C的特征图；

将经过全局平均池化后的特征图，将其送入一个两层的神经网络，第一层神经元个数为C/r，激活函数为ReLU，第二层神经元个数为C，输出新特征图进行相加求和，再通过激活函数Sigmoid得到通道权重，将每个通道的权重和对应的原始特征进行相乘加权，得到数据集新的的特征信息。

5.根据权利要求1所述的基于深度学习的点云分类方法，其特征在于，对所述建立K-means聚类算法模型的具体方法为：

根据选取的K值作为聚类的初始中心点，按照距离大小将数据点划分到离它最近的类，通过求平均值来更新中心点，再得到新的中心点后继续分类，直至各类中心点不再变化，此时迭代完成，形成聚类模型。

6.根据权利要求1所述的基于深度学习的点云分类方法，其特征在于，对所述点云数据集训练和测试的具体方法为：

采用Adam优化器对网络模型进行优化，设置初始学习率为0.001，使用交叉熵损失函数，将训练集输入网络模型进行训练迭代，直至模型收敛，保留训练完成的网络模型；

将测试集输入训练完成的点云分类模型，得到点云分类结果。