【技术实现步骤摘要】
本专利技术涉及点云数据处理，特别涉及一种基于扩张注意与多原型融合的点云语义分割方法及系统。
技术介绍
1、在点云语义分割任务的实际应用中，研究和工作人员也可能会遇到缺乏充足的已标注数据集的问题，而精确标注三维点云数据集需要耗费大量的人力和时间成本。此外，当面对新的数据集时，已有的模型往往难以直接迁移应用，这要求模型必须经过重新训练以适应新的任务，进一步增加了时间和算力资源的消耗。鉴于这些挑战，采用元学习(meta-learning)方法来进行点云语义分割的研究就成为了一个有效的解决方法。元学习，旨在设计出能够快速适应新任务的模型，即使是在极少量的标注数据下也能表现出色。更具体到点云语义分割任务上，一种可行的方法是利用预训练模型作为基础，充分利用已有知识，通过冻结模型的编码层参数，仅对遇到的新类别进行参数微调。通过这种方式，只需要很少的标注样本，即可让模型适应新类别，从而大量节省了人力标注和训练成本。
2、目前的方法在提高原型网络表示能力、解决未知类别分割问题以及减少对大量标注数据依赖方面取得了重大的进展，但该领域仍面临着一系列亟待解决的问题。首先，少样本学习的特性决定了网络无法从海量数据中提取信息，这就需要网络具有更强的细节捕捉能力。另外，现有的网络模型没有关注样本的品质以及类内差距导致的训练偏差。因此，需要提出一种少样本点云语义分割网络，充分提取已有的少量信息，构建出具有更强泛化能力的模型。
技术实现思路
1、本专利技术提供一种基于扩张注意与多原型融合的点云语义分割方
2、第一方面，提供一种基于扩张注意与多原型融合的点云语义分割方法，包括以下步骤：
3、利用待处理点云样本进行训练得到预训练模型；
4、对待处理点云样本进行筛选，得到目标点云样本；
5、利用所述预训练模型对所述目标点云样本进行特征提取，得到样本特征数据；
6、搭建扩张注意块模型，基于多视角原型损失及所述样本特征数据对所述扩张注意块模型进行训练，得到训练完成的神经网络；
7、基于训练完成的神经网络对点云数据进行语义分割。
8、根据第一方面，在第一方面的第一种可能的实现方式中，所述“对待处理点云样本进行筛选，得到目标点云样本”步骤，具体包括以下步骤：
9、将待处理点云划分为多个样本块，计算目标类别点在每个所述样本块中的占比，将占比大于预设阈值时对应的样本块视为目标点云样本；
10、其中，所述预设阈值为目标类别点在待处理点云样本中的占比乘以预设系数。
11、根据第一方面，在第一方面的第二种可能的实现方式中，所述扩张注意块模型的处理流程为：
12、利用两层自注意力块与多层感知机对所述样本特征数据进行融合，得到融合特征；
13、利用前景原型生成器、背景原型生成器及三层多头注意力块对所述融合特征进行处理，得到原型特征。
14、根据第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述融合特征f4的计算公式如下：
15、
16、其中，f1＝ec(f0)；
17、f2＝mlp(f1)；
18、f3＝sa(f1)2；
19、式中，f0为目标点云样本；f1为利用预训练模型的特征提取器ec对目标点云样本进行特征提取得到的样本特征数据；f2为利用多层感知机mlp对样本特征数据进行特征编码；f3为利用两层自注意力块sa对样本特征数据进行加权处理。
20、根据第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，所述原型特征p的计算公式如下：
21、
22、其中，
23、式中，bg、fg为分别利用背景原型生成器、前景原型生成器对融合特征进行处理得到的背景原型及前景原型；为利用三层多头注意力块ma深度融合bg、fg。
24、根据第一方面，在第一方面的第五种可能的实现方式中，所述多视角原型损失的计算公式如下：
25、
26、其中，li＝ce(ri)；
27、
28、式中，为利用扩张注意力模块生成目标点云样本中每个点云块分别对应的原型特征；n为点云块的数量；ri为利用预测器pred获取的每个原型特征对应的预测结果；li为每个预测结果对应的交叉熵损失。
29、根据第一方面，在第一方面的第六种可能的实现方式中，所述“基于训练完成的神经网络对点云数据进行语义分割”步骤，具体包括以下步骤：
30、获取点云数据经过训练完成的神经网络处理后得到的查询样本特征与原型特征；
31、计算查询样本特征xp与原型特征yf之间的高斯相似度、以进行语义分割；
32、所述高斯相似度的计算公式如下：
33、similarity(xp，yf)＝exp(-||xp-yf||^2/2σ^2)；
34、式中，σ为高斯分布的标准差。
35、根据第一方面，在第一方面的第七种可能的实现方式中，所述“利用待处理点云样本进行训练得到预训练模型”步骤，具体包括以下步骤：
36、将待处理点云样本划分为支持集与查询集，并利用所述支持集与所述查询集对dgcnn骨干网络进行训练，得到预训练模型。
37、第二方面，提供了一种基于扩张注意与多原型融合的点云语义分割系统，包括：
38、预训练模块，用于利用待处理点云样本进行训练得到预训练模型；
39、筛选模块，用于对待处理点云样本进行筛选，得到目标点云样本；
40、特征提取模块，与所述预训练模块及所述筛选模块通信连接，用于利用所述预训练模型对所述目标点云样本进行特征提取，得到样本特征数据；
41、扩张注意训练模块，与所述特征提取模块通信连接，用于搭建扩张注意块模型，基于多视角原型损失及所述样本特征数据对所述扩张注意块模型进行训练，得到训练完成的神经网络；以及，
42、语义分割模块，与所述扩张注意训练模块通信连接，用于基于训练完成的神经网络对点云数据进行语义分割。
43、第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述所述的基于扩张注意与多原型融合的点云语义分割方法。
44、与现有技术相比，本专利技术的优点如下：通过对待处理点云样本进行筛选，可从有限的样本中精选出具有代表性和多样性的样本，以应对样本不均匀性问题。这与常规的随机样本选择策略不同，本专利技术可显著提高了样本的质量和代表性，为模型提供了更有效的学习基础。
45、再搭建扩张注意块模型，因此采用扩张注意块来深入挖掘前景与背景有效信息，在不大量增加计算负担的情况下，可显著扩大模型的感受野，有效分辨和理解场景中的各种细节变化。
46、同时提出的多视本文档来自技高网...
【技术保护点】
1.一种基于扩张注意与多原型融合的点云语义分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述“对待处理点云样本进行筛选，得到目标点云样本”步骤，具体包括以下步骤：
3.如权利要求1所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述扩张注意块模型的处理流程为：
4.如权利要求3所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述融合特征f4的计算公式如下：
5.如权利要求3所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述原型特征P的计算公式如下：
6.如权利要求1所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述多视角原型损失的计算公式如下：
7.如权利要求1所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述“基于训练完成的神经网络对点云数据进行语义分割”步骤，具体包括以下步骤：
8.如权利要求1所述的基于扩张注意与多原型融合的点云语义分割方法，其特征
9.一种基于扩张注意与多原型融合的点云语义分割系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于扩张注意与多原型融合的点云语义分割方法。
...【技术特征摘要】
1.一种基于扩张注意与多原型融合的点云语义分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述“对待处理点云样本进行筛选，得到目标点云样本”步骤，具体包括以下步骤：
3.如权利要求1所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述扩张注意块模型的处理流程为：
4.如权利要求3所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述融合特征f4的计算公式如下：
5.如权利要求3所述的基于扩张注意与多原型融合的点云语义分割方法，其特征在于，所述原型特征p的计算公式如下：
6.如权利要求1所述的基于扩张注意与多原型...
【专利技术属性】
技术研发人员：李荣，陶留锋，陈溪，黄颖，陈波，黄胜辉，陈小佩，潘明敏，
申请(专利权)人：武汉中地数码科技有限公司，
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。