【技术实现步骤摘要】
本专利技术涉及一种基于点云知识抽取的任务处理方法，同时也涉及相应的任务处理装置，属于数据识别。
技术介绍
1、在点云知识抽取的研究中，深度学习技术的应用已成为主导趋势。深度学习方法因其在处理大型数据集时的高效性以及在特征提取上的自主性而受到青睐。研究者们已经开发出多种基于深度学习的点云分类方法，这些方法通过学习点云数据的复杂模式，提高了分类的准确性和鲁棒性。例如，po intnet等网络模型通过直接处理原始的密集点云数据，有效地解决了点云的无序性问题，同时捕获了局部和全局的几何特征。此外，基于图卷积网络的方法利用点云数据的图结构特性，通过图神经网络捕捉点与点之间的空间关系，进一步提升了点云分析的性能。
2、在申请号为202310948150.4的中国专利申请中，公开了一种基于并行特征提取的点云语义分割方法，由数据集预处理、构建点云语义分割网络、构建点云语义分割网络、测试点云语义分割网络步骤组成。该方法在局部特征提取时将语义信息和几何信息分别编码，降低特征的模糊度，使得网络能够充分挖掘不同邻域之间的几何差异，有效减少特征的模糊性和冗余度，改善大规模无序点云的语义分割效果。
技术实现思路
1、本专利技术所要解决的首要技术问题在于提供一种基于点云知识抽取的任务处理方法。
2、本专利技术所要解决的另一技术问题在于提供一种基于点云知识抽取的任务处理装置。
3、为实现上述的专利技术目的，本专利技术采用下述的技术方案：
4、根据本专利技术实施例的第
5、s1：将3d点云数据投影到多视图深度图上，以适应2d特征提取器的处理需求；
6、s2：使用预训练的2d特征提取器对多视图深度图提取语义特征；
7、s3：设计包含几何损失和语义损失的总体损失函数；
8、s4：利用设计的总体损失函数训练采样网络，使其从密集点云中有效采样关键点；在训练过程中分别计算内视图损失和外视图损失，确保采样点云在几何和语义上的一致性；
9、s5：根据总体损失函数的反向传播更新采样网络的参数，以最小化总体损失函数；
10、s6：应用推理对齐策略，确保采样得到的简化点云是密集点云的子集；
11、s7：准备下游的目标任务，使用训练好的采样网络生成适用于不同目标任务的简化点云；
12、s8：使用生成的简化点云执行所述目标任务。
13、其中较优地，所述步骤s1包括如下子步骤：
14、确定从哪些视角对3d点云进行投影，所获得的视图包括但不限于顶部视图、侧面视图、前视图；
15、将每个视图的3d点云坐标转换为2d平面上的深度图；在投影转换的过程中，通过调整深度图的尺寸、颜色通道以确保转换后的多视图深度图被2d特征提取器有效处理。
16、其中较优地，所述步骤s2包括如下子步骤：
17、选择一个已经预训练好的2d特征提取器；
18、将多视图深度图作为输入，应用2d特征提取器提取每个视图的语义特征；
19、从所有视图中提取的特征被整合或聚合，为后续步骤提供统一的语义特征。
20、其中较优地，所述2d特征提取器为clip模型的视觉分支。
21、其中较优地，所述步骤s3中，基于原始的密集点云和简化点云之间的空间距离计算所述几何损失，用于衡量点云的几何结构保持程度。
22、其中较优地，所述步骤s3中，所述语义损失由内视图损失和外视图损失组成。
23、其中较优地，所述内视图损失通过下式表示：
24、
25、其中，p为密集点云，q为简化点云，jk表示对于第k层的投影操作，e(·)是提取语义特征的2d特征提取器，mse(·)是均方误差函数，k是投影视图的总数。
26、其中较优地，所述外视图损失通过下式表示：
27、linter＝mse(φφt,ψψt),
28、
29、其中，flat(·)是扁平化操作，concat(·)沿不同视图拼接向量。
30、其中较优地，所述步骤s6中，所述推理对齐策略包括如下子步骤：
31、使用训练好的采样网络对原始的密集点云进行处理，生成简化点云；
32、对于简化点云中的每个点，计算它到原始的密集点云中所有点的距离；通过选择距离最小化的点，确定其在原始的密集点云中的最近邻点；
33、将简化点云中的每个点与原始的密集点云中的最近邻点进行匹配，形成点对；
34、根据匹配的点对，调整简化点云中的点，使其与原始的密集点云中的对应点在空间上对齐；
35、检查经过对齐后的简化点云，确保所述简化点云是原始的密集点云的子集。
36、根据本专利技术实施例的第二方面，提供一种基于点云知识抽取的任务处理装置，包括处理器和存储器，所述存储器与所述处理器耦接；其中，
37、所述存储器用于存储计算机程序，当该计算机程序被所述处理器执行时，用于实现上述基于点云知识抽取的任务处理方法。
38、与现有技术相比较，本专利技术实施例提供的基于点云知识抽取的任务处理方法通过引入预训练的2d特征提取器，将3d点云数据转换为多视图深度图，使得2d特征提取器能够直接利用这些视图来提取语义特征。接着，采用基于3d坐标和提取特征的损失函数来训练采样网络，以识别在几何和语义上都重要的点。训练完成后，该网络能够根据不同任务需求生成包含丰富语义信息的简化点云，有效解决了图像与点云之间的数据异构问题。本专利技术通过灵活地结合特定任务的损失函数，不仅能够进行通用的点云信息抽取，还能实现针对特定任务的优化采样，从而在多种应用场景中提升性能。
本文档来自技高网...【技术保护点】
1.一种基于点云知识抽取的任务处理方法，其特征在于包括如下步骤：
2.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤S1包括如下子步骤：
3.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤S2包括如下子步骤：
4.如权利要求2或3所述的基于点云知识抽取的任务处理方法，其特征在于：
5.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤S3中，基于原始的密集点云和简化点云之间的空间距离计算所述几何损失，用于衡量点云的几何结构保持程度。
6.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤S3中，所述语义损失由内视图损失和外视图损失组成。
7.如权利要求6所述的基于点云知识抽取的任务处理方法，其特征在于所述内视图损失通过下式表示：
8.如权利要求7所述的基于点云知识抽取的任务处理方法，其特征在于所述外视图损失通过下式表示：
9.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤S6中，所述推
10.一种基于点云知识抽取的任务处理装置，其特征在于包括处理器和存储器，所述存储器与所述处理器耦接；其中，
...【技术特征摘要】
1.一种基于点云知识抽取的任务处理方法，其特征在于包括如下步骤：
2.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤s1包括如下子步骤：
3.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤s2包括如下子步骤：
4.如权利要求2或3所述的基于点云知识抽取的任务处理方法，其特征在于：
5.如权利要求1所述的基于点云知识抽取的任务处理方法，其特征在于所述步骤s3中，基于原始的密集点云和简化点云之间的空间距离计算所述几何损失，用于衡量点云的几何结构保持程度。
6.如权利...
【专利技术属性】
技术研发人员：郭晋阳，刘祥龙，王梓宁，刘佳恒，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。