[发明专利]基于切片网络的点云语义分割改进算法

摘要

本发明公开了一种基于切片网络的点云语义分割改进算法，步骤如下：1.独立特征提取：2.切片池层：4.切片解开层：本发明公开了一种基于深度双向循环神经网络改进切片网络本地依赖模块的算法，用于辅助稠密建图，属于多媒体信号处理领域。切片网络专为3D分割任务而设计，通过直接处理点云来解决3D语义分割问题，概念上简单易用。它将原始点云作为输入，并为每个点云分配语义标签。经过改进，切片网络在S3DIS数据集下提升平均准确率至60.1％，复杂度略有提升。

主权项

1.基于切片网络的点云语义分割改进算法，其特征在于，其具体步骤如下：(1)独立特征提取：切片网络中有两个独立的特征提取块，输入特征块消耗输入点X，大小为n×d，并产生特征大小为n×dⁱⁿ，输出特征块将处理后的特征F^su，大小为n×d^su，作为输入，并为每个点生成最终预测，上标in和su表示特征分别来自输入特征块和切片解开层，两个块都使用多个1×1卷积层的序列来为每个点生成独立的特征表示；(2)切片池层：切片池层的输入是无序点云的特征，输出是有序的特征向量序列，这是通过首先将点分组为切片然后通过聚合切片内的点的特征为每个切片生成全局表示来实现的；(3)Deep‑BRNN层：如上所述，切片池层基本上将无序和非结构化输入点的特征投影到特征向量的有序和结构化序列中，然后将RNN应用于序列以进行局部依赖性建模，因为它们是一组自然为结构化序列设计的端到端学习算法，通过将一个切片视为一个时间戳，当信息流过RNN单元中的时间戳时，来自一个切片的信息将与所有切片相互作用，这使得切片中的上下文相互影响，从而模拟它们中的依赖关系；(4)切片解开层：作为RSNet本地依赖模块的最后一部分，切片解除层将更新的特征F^r作为输入，并通过反转投影将它们分配回每个点，这可以通过存储切片组S来容易地实现。