[发明专利]一种基于选点主动学习的半监督点云语义分割方法在审
申请号: | 202310497117.4 | 申请日: | 2023-05-05 |
公开(公告)号: | CN116543153A | 公开(公告)日: | 2023-08-04 |
发明(设计)人: | 徐宗懿;袁波;刘继逍;高新波 | 申请(专利权)人: | 重庆邮电大学 |
主分类号: | G06V10/26 | 分类号: | G06V10/26;G06V10/774;G06N3/0895 |
代理公司: | 重庆辉腾律师事务所 50215 | 代理人: | 王诗思 |
地址: | 400065 重*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 选点 主动 学习 监督 语义 分割 方法 | ||
1.一种基于选点主动学习的半监督点云语义分割方法,其特征在于,所述方法包括获取目标点云数据;将所述目标点云数据输入到训练完成的点云语义分割神经网络中,输出目标点云数据的分割结果;
其中,所述点云语义分割神经网络的训练过程具体包括:
101、获取点云数据集;所述点云数据集包括标记数据集和未标记数据集,所述标记数据集和所述未标记数据集具有相同的分布,所述标记数据集中每个点云数据具有标签,所述未标记数据集中每个点云数据不具有标签;
102、采用标记数据集和未标记数据集以半监督方式训练点云语义分割模型,并预测得到未标记数据的伪标签;
103、采用分层最小边际不确定度度量,根据点云数据集中的点云数据标签,计算出点云的最小边际分数;并根据多次下采样在不同尺度上逐步捕捉局部上下文,计算出点云的上下文不确定性得分;
104、采用点云的最小边际分数和上下文不确定性得分,计算出点云的不确定性结果;
105、基于点云的不确定性结果选择出若干点云,并将选择出的若干点云进行标记后送入标记数据集中,并从未标记数据集中移除,返回步骤101中,直至点云语义分割模型训练完成。
2.根据权利要求1所述的一种基于选点主动学习的半监督点云语义分割方法,其特征在于,所述点云语义分割神经网络包括通过闵可夫斯基空间构建了两个点云语义分割网络,分别表示为教师模型和学生模型;将点云数据集的点云数据输入到教师模型中,将点云数据集的点云数据的增强数据输入到学生模型中,利用教师模型和学生模型之间的一致性约束,采用交叉熵损失对教师模型和学生模型进行训练;通过梯度下降优化学生网络;并采用指数移动平均指数将学生模型的参数转移到教师模型中。
3.根据权利要求2所述的一种基于选点主动学习的半监督点云语义分割方法,其特征在于,采用指数移动平均指数将学生模型的参数转移到教师模型的公式表示为:
其中,是第j次训练迭代过程中教师模型的参数,是第j-1次训练迭代过程中教师模型的参数,是第j次训练迭代过程中学生模型的参数;α是决定参数传递速度的超参数。
4.根据权利要求1所述的一种基于选点主动学习的半监督点云语义分割方法,其特征在于,所述点云的最小边际分数表示为:
Ux=h(xu;p1(xu))-h(xu;p2(xu))
其中,Ux表示点云xu的最小边际分数,xu表示可以选择进行标记的候选点云;p1(xu)表示点云语义分割模型预测得到得分最高的标签类别概率,p2(xu)表示点云语义分割模型预测得到得分次高的标签类别概率;h(·)表示点云语义分割模型的分割预测器。
5.根据权利要求1所述的一种基于选点主动学习的半监督点云语义分割方法,其特征在于,所述点云的上下文不确定性得分表示为:
其中,表示点云xu在第i次降采样下的上下文不确定性得分,xu表示可以选择进行标记的候选点云;表示点云语义分割模型预测得到第i次降采样得分最高对应的局部上下文信息,表示点云语义分割模型预测得到第i次降采样得分次高对应的局部上下文信息;h(·)表示点云语义分割模型的分割预测器。
6.根据权利要求1所述的一种基于选点主动学习的半监督点云语义分割方法,其特征在于,所述点云的不确定性结果表示为:
其中,vu表示点云xu的不确定性结果,Ux表示点云xu的最小边际分数,表示点云xu在第i次降采样下的上下文不确定性得分,xu表示可以选择进行标记的候选点云;wi表示第i次降采样的超参数,N为降采样次数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆邮电大学,未经重庆邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310497117.4/1.html,转载请声明来源钻瓜专利网。