[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

说明书

本发明属于点云数据处理领域，具体涉及一种基于选点主动学习的半监督点云语义分割方法；所述分割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；通过半监督训练点云语义分割神经网络减轻了点云数据的标记成本；通过主动学习选点，从未标记的点云数据集中通过特定的采样策略进行不确定的点选取，这样选取出的点云数据是重要且含有丰富信息的并且还可以是非冗余的。能够提升半监督学习的效果和模型的能力，最终提升了三维点云数据的分割性能。

技术领域

本发明属于点云数据处理领域，具体涉及一种基于选点主动学习的半监督点云语义分割方法。

背景技术

点云语义分割的目的是为每个3D点分配一个类别标签，可以应用于各种场景，如机器人、自动驾驶和增强现实。最近，基于深度学习的方法已经取得了令人印象深刻的性能。这些高性能的方法通常依赖于带有点级标签的大量数据。但是这样也带来了成本高、标记冗余的现象问题。

为了减轻注释的劳动和成本，许多探索半监督方式来学习通常随机采样的有限标记点的三维分割模型的方法被提出。这些方法试图开发出有效的策略，将标签信息传播到未标记的点。虽然这些半监督的方法可以大大降低标签成本，但性能可能是有限的。由于这些标记的点是随机选择的，标签可能包含冗余的信息，而重要的点可能被省略。

主动学习作为一种替代学习策略，最近被研究以缓解三维分割的局限性。Lin等人将整个点云划分为分段，每个分段作为样本选择的基本查询单元。ReDAL建议选择那些信息丰富和多样化的子场景区域进行标签获取。熵、颜色不连续和结构复杂性被用来测量子场景区域的信息。随后，SSDR-AL将原始点云分组为超点，并逐步选择信息最丰富的区域进行注释。然而，基于区域的主动学习的性能在很大程度上依赖于区域划分策略。此外，由于点云在局部区域中表现出很强的语义相似性，因此选择局部区域中的所有点会产生一个冗余的标签预算。

综上，虽然在点云语义分割任务中，半监督训练和主动学习的单独使用也都取得了不错的成效，但是如何将半监督训练和主动学习进行有效结合，充分发挥两者的优势是本领域技术人员亟待解决的问题。

发明内容

基于现有技术存在的问题，本发明提出了一种基于选点主动学习的半监督点云语义分割方法，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。

本发明的有益效果：

本发明实现了半监督和改进后的主动学习方法融合，克服了原有半监督框架下进行随机选点使得半监督模型学习性能受限的问题，并且提出了一种新的基于层次的-特征距离抑制选点主动学习选点策略，解决了信息冗余、依赖区域划分的问题，通过主动学习的方式，本发明实现了高性能的采样，使得在半监督模型下的点云分割的任务性能得到了提升。

附图说明