【技术实现步骤摘要】
本专利技术涉及道面监测，尤其涉及一种基于动态不确定度主动学习策略的点云语义分割方法。
技术介绍
1、随着自动驾驶、城市规划和遥感建模等领域的快速发展，三维激光雷达（lidar）点云语义分割技术变得尤为重要。lidar通过发射激光脉冲并测量其反射时间，能够获取高精度的三维点云数据，这些数据包含丰富的空间和颜色信息。然而，点云数据的高维度和稀疏性使得语义分割任务复杂且对计算资源要求高，通常依赖于深度学习技术来实现精确分类。当前，基于全监督学习的方法虽然能够提供高精度的分割结果，但其性能高度依赖于大规模、高质量的标注数据集。由于三维点云数据的标注过程既繁琐又昂贵，导致标注成本高昂且标注数据有限，成为制约模型性能提升的主要瓶颈。
2、为了解决标注数据稀缺和高成本的问题，主动学习方法被引入点云语义分割领域，通过智能选择最具信息量的样本进行标注，以减少所需的标注数量。然而，现有的主动学习方法在处理大规模点云数据时仍存在不足。这些方法往往忽视了样本在空间上的分布和类别的多样性，导致标注样本集中于某些高不确定度区域，而忽视了其他重要区域，限制了模型的泛化能力和分割精度。此外，现有方法在超点的合并与划分过程中缺乏高效且准确的策略，难以在保证标注精度的同时显著降低标注成本。
3、因此，亟需一种能够优化标注样本分布、提升类别多样性，并有效降低标注成本的创新性主动学习策略，以推动三维点云语义分割技术在各应用领域中的广泛应用和发展。
技术实现思路
1、本专利技术提供一种基于动态不确定
2、本专利技术提供一种基于动态不确定度主动学习策略的点云语义分割方法，包括如下步骤：
3、将三维点云数据输入至点云语义分割模型，得到所述三维点云数据中每个点的语义类别；其中，所述点云语义分割模型是基于以下方式构建得到的：
4、基于三维点云数据样本，得到多个第一超点样本和多个第二超点样本，所述第一超点样本为已标注的超点样本，所述第二超点样本为未标注的超点样本；
5、基于全部所述第一超点样本训练初始模型，得到第一训练模型；
6、使用所述第一训练模型对每个所述第二超点样本进行预测，得到每个所述第二超点样本的实际不确定度；
7、基于所述实际不确定度对全部所述第二超点样本进行筛选，得到多个候选超点样本；
8、基于全部所述候选超点样本，构建训练数据集；
9、基于训练数据集对所述第一训练模型进行更新训练，得到所述点云语义分割模型。
10、根据本专利技术提供的一种基于动态不确定度主动学习策略的点云语义分割方法，所述第二超点样本包括多个三维点；所述使用所述第一训练模型对每个所述第二超点样本进行预测，得到每个所述第二超点样本的实际不确定度，具体包括：
11、对每个所述第二超点样本包括的全部三维点进行划分，得到第一点集合和第二点集合，所述第一点集合为所述第二超点样本中类别占比最高的三维点组成的集合；
12、使用所述第一训练模型计算每个所述三维点的信息熵，得到所述第一点集合中每个三维点的第一不确定度和所述第二点集合中每个三维点的第二不确定度；
13、基于全部所述第一不确定度和全部所述第二不确定度，计算每个所述第二超点样本的初始不确定度；
14、将每个所述初始不确定度与每个所述第二超点样本的类别平衡权重系数相乘，得到每个所述第二超点样本的实际不确定度，每个所述第二超点样本的类别平衡权重系数是基于每种类别的第二超点样本在全部类别的超点样本中的比例确定的。
15、根据本专利技术提供的一种基于动态不确定度主动学习策略的点云语义分割方法，所述基于所述实际不确定度对全部所述第二超点样本进行筛选，得到多个候选超点样本，具体包括：
16、在每轮筛选时，选择实际不确定度最高的第二超点样本作为候选超点样本，且基于所述候选超点样本和其余第二超点样本的空间距离和特征相似性，对其余第二超点样本的实际不确定度进行动态衰减，直至筛选得到预设数量的候选超点样本。
17、根据本专利技术提供的一种基于动态不确定度主动学习策略的点云语义分割方法，所述基于全部所述候选超点样本，构建训练数据集，具体包括：
18、建立用于保存超点近邻关系的多叉树；
19、基于所述多叉树，从全部超点样本中选择出与每个所述候选超点样本对应的第一相邻超点样本；
20、判断每个所述第一相邻超点样本是否与对应的候选超点样本相似；
21、从全部所述第一相邻超点样本中确定第二相邻超点样本，并计算每个所述第二相邻超点样本的纯度值，所述第二相邻超点样本与对应的候选超点样本相似；
22、从全部所述第二相邻超点样本中确定纯度值高于预设纯度阈值第三相邻超点样本，以及纯度值不高于预设纯度阈值第四相邻超点样本；
23、将所述第四相邻超点样本划分成多个第一子超点样本，并从全部所述第一子超点样本中确定纯度值高于预设纯度阈值第二子超点样本；
24、基于全部所述候选超点样本、全部所述第三相邻超点样本以及全部所述第二子超点样本，构建所述训练数据集。
25、根据本专利技术提供的一种基于动态不确定度主动学习策略的点云语义分割方法，所述判断每个所述第一相邻超点样本是否与对应的候选超点样本相似，具体包括：
26、求解当前第一相邻超点样本的第一法向量以及对应的候选超点样本的第二法向量；
27、计算所述第一法向量与所述第二法向量的夹角余弦值；
28、判断所述夹角余弦值是否小于预设法向量相似度阈值；
29、当所述夹角余弦值小于预设法向量相似度阈值时，计算当前第一相邻超点样本与对应的候选超点样本的颜色相似度；
30、判断所述颜色相似度是否小于预设颜色相似度阈值；
31、当所述颜色相似度小于预设颜色相似度阈值时，确定当前第一相邻超点样本与对应的候选超点样本相似。
32、根据本专利技术提供的一种基于动态不确定度主动学习策略的点云语义分割方法，所述基于训练数据集对所述第一训练模型进行更新训练，得到所述点云语义分割模型，具体包括：
33、基于训练数据集对所述第一训练模型进行更新训练，得到第二训练模型；
34、将所述第二训练模型作为所述第一训练模型，并继续执行使用所述第一训练模型对每个所述第二超点样本进行预测，得到每个所述第二超点样本的实际不确定度，基于所述实际不确定度对全部所述第二超点样本进行筛选，得到多个候选超点样本，基于全部所述候选超点样本，构建训练数据集，基于训练数据集对所述第一训练模型进行更新训练的步骤，直至达到预设停止条件，得到所述点云语义分割模型。
35、本专利技术还提供一种基于动态不确定度主动学习策略的点云语义分割系统，包括如下模块：
36、第一处理模块，用于将三维点云数据输入至点云语义分割模本文档来自技高网...
【技术保护点】
1.一种基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，包括：
2.根据权利要求1所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述第二超点样本包括多个三维点；所述使用所述第一训练模型对每个所述第二超点样本进行预测，得到每个所述第二超点样本的实际不确定度，具体包括：
3.根据权利要求1所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述基于所述实际不确定度对全部所述第二超点样本进行筛选，得到多个候选超点样本，具体包括：
4.根据权利要求1所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述基于全部所述候选超点样本，构建训练数据集，具体包括：
5.根据权利要求4所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述判断每个所述第一相邻超点样本是否与对应的候选超点样本相似，具体包括：
6.根据权利要求1所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述基于训练数据集对所述第一训练模型进行更新训练，得到所述点云语义分割模型，
7.一种基于动态不确定度主动学习策略的点云语义分割系统，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述基于动态不确定度主动学习策略的点云语义分割方法。
9.一种非暂态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1-6任一项所述基于动态不确定度主动学习策略的点云语义分割方法。
10.一种计算机程序产品，包括计算机程序，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1-6任一项所述基于动态不确定度主动学习策略的点云语义分割方法。
...【技术特征摘要】
1.一种基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，包括：
2.根据权利要求1所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述第二超点样本包括多个三维点；所述使用所述第一训练模型对每个所述第二超点样本进行预测，得到每个所述第二超点样本的实际不确定度，具体包括：
3.根据权利要求1所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述基于所述实际不确定度对全部所述第二超点样本进行筛选，得到多个候选超点样本，具体包括：
4.根据权利要求1所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述基于全部所述候选超点样本，构建训练数据集，具体包括：
5.根据权利要求4所述的基于动态不确定度主动学习策略的点云语义分割方法，其特征在于，所述判断每个所述第一相邻超点样本是否与对应的候选超点样本相似，具体包括：
6.根...
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。