【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于体素内聚引导主动学习的点云语义分割方法及系统。
技术介绍
1、三维场景的理解是现代计算机视觉和智能系统中的重要研究方向，尤其在复杂环境中的精确识别和决策任务中起着至关重要的作用。通过对三维场景中物体的结构、形状和位置进行全面解析，可为自动驾驶、机器人导航和虚拟现实等研究提供了基础支持。
2、点云语义分割（point cloud semantic segmentation）作为实现三维场景理解的核心技术之一，旨在为每个点云数据中的点分配特定的语义标签，从而实现对场景的全面感知与分类。现有点云语义分割方法主要依赖数据驱动的深度学习方法，通过大量标记的数据集来训练高精度分割模型。然而，点云数据的稀疏性、不规则性和标记成本高昂等问题，极大限制了分割模型的性能，导致模型推广至实际应用中受限。
3、因此，现在亟需一种基于体素内聚引导主动学习的点云语义分割方法及系统来解决上述问题。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种基于体素内聚引导主动学习的点云语义分割方法及系统。
2、本专利技术提供一种基于体素内聚引导主动学习的点云语义分割方法，包括：
3、获取待检测场景对应的目标三维点云数据；
4、将所述目标三维点云数据输入至点云语义分割模型，得到由所述点云语义分割模型输出的所述目标三维点云数据对应的语义分割类别结果，其中，所述点云语义分割模型是由标记有语义分割类别标签的样本三维点
5、根据本专利技术提供的一种基于体素内聚引导主动学习的点云语义分割方法，所述点云语义分割模型通过以下步骤训练得到：
6、根据样本激光雷达点云数据对应的特征图，确定所述样本激光雷达点云数据中各个点云数据点的语义类别标签；
7、对所述样本激光雷达点云数据进行体素化处理，得到多个待定体素网格，其中，所述待定体素网格中的数据点是根据所述样本激光雷达点数据中的点云数据点的坐标信息与预设体素大小确定得到的，且所述待定体素网格中的数据点的体素点类别标签与所述样本激光雷达点数据中的点云数据点的所述语义类别标签相对应；
8、根据所述待定体素网格的不确定得分，计算得到所述待定体素网格的所述体素凝聚度，其中，所述不确定得分是基于体素网格内各个不同的所述体素点类别标签的数据点的数量与体素网格内所有数据点的数量计算得到的；
9、基于各个所述待定体素网格的所述体素凝聚度，将所述体素凝聚度最低的所述待定体素网格确定为所述样本体素网格；
10、对所述样本体素网格内的各个数据点在所述样本激光雷达点数据中对应的点云数据点进行标记，得到标记有所述语义分割类别标签的所述样本三维点云数据；
11、基于所述样本三维点云数据，对预设三维神经网络模型进行训练，得到所述点云语义分割模型。
12、根据本专利技术提供的一种基于体素内聚引导主动学习的点云语义分割方法，所述根据所述待定体素网格的不确定得分，计算得到所述待定体素网格的所述体素凝聚度，包括：
13、基于体素凝聚度计算公式，根据所述待定体素网格的不确定得分，计算得到所述待定体素网格的所述体素凝聚度，所述体素凝聚度计算公式为：
14、
15、
16、其中，表示第个待定体素网格中的第种体素点类别标签的数据点的数量，表示第个待定体素网格，表示体素网格集合，表示第个待定体素网格内第个数据点对应的预测类别，表示体素点类别标签的总数量，表示第个待定体素网格对应的体素凝聚度，表示第个待定体素网格中所有数据点的数量，表示第个待定体素网格对应的所述不确定得分，表示所述待定体素网格内的数据点类别总数量。
17、根据本专利技术提供的一种基于体素内聚引导主动学习的点云语义分割方法，所述对所述样本体素网格内的各个数据点在所述样本激光雷达点数据中对应的点云数据点进行标记，得到标记有所述语义分割类别标签的所述样本三维点云数据，包括：
18、根据预设感知距离，对所述样本体素网格内的各个数据点进行判断，若以任意一个待标记的数据点为中心，在所述预设感知距离内存在关键数据点，根据所述待标记的数据点与所述关键数据点各自对应的特征向量，计算得到特征差异值，其中，所述关键数据点为所述样本体素网格内的已确定为待进行点云数据点标记的数据点；
19、在确定所述特征差异值小于或等于预设特征差异阈值的情况下，将所述待标记的数据点去除，得到冗余数据点去除后的样本体素网格；
20、对所述冗余数据点去除后的样本体素网格的各个数据点在所述样本激光雷达点数据中对应的点云数据点进行标记，得到标记有所述语义分割类别标签的所述样本三维点云数据；
21、在确定所述特征差异值大于预设特征差异阈值，或以所述待标记的数据点为中心，在所述预设感知距离内未存在所述关键数据点的情况下，将所述待标记的数据点作为所述关键数据点进行保留。
22、根据本专利技术提供的一种基于体素内聚引导主动学习的点云语义分割方法，所述方法还包括：
23、将所述不确定得分按照从大到小的顺序进行排序，并将排序结果中前个所述不确定得分对应的待定体素网格作为类别协调体素网格；
24、获取所述类别协调体素网格内各个数据点的伪标签数据和所述伪标签数据对应的预设体素点类别权重；
25、根据所述类别协调体素网格的所述不确定得分和所述预设体素点类别权重之间的乘积结果，得到所述类别协调体素网格内各个数据点对应的数据点不确定得分；
26、将所述数据点不确定得分按照从大到小的顺序进行排序，并将排序结果前个所述数据点不确定得分对应的数据点作为待标记数据点；
27、将所述待标记数据点在所述样本激光雷达点数据中对应的点云数据点进行标记。
28、根据本专利技术提供的一种基于体素内聚引导主动学习的点云语义分割方法，所述基于所述样本三维点云数据，对预设三维神经网络模型进行训练，得到所述点云语义分割模型，包括：
29、基于所述样本三维点云数据和交叉熵损失函数，对所述预设三维神经网络模型进行训练，得到所述点云语义分割模型。
30、本专利技术还提供一种基于体素内聚引导主动学习的点云语义分割系统，包括：
31、点云数据采集模块，用于获取待检测场景对应的目标三维点云数据；
32、点云语义分割模块，用于将所述目标三维点云数据输入至点云语义分割模型，得到由所述点云语义分割模型输出的所述目标三维点云数据对应的语义分割类别结果，其中，所述点云语义分割模型是由标记有语义分割类别标签的样本三维点云数据进行训练得到的，所述样本三维点云数据为基于体素凝聚度确定的样本体素网格中的点云数据，所述体素凝聚度是根据本文档来自技高网...
【技术保护点】
1.一种基于体素内聚引导主动学习的点云语义分割方法，其特征在于，包括：
2.根据权利要求1所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述点云语义分割模型通过以下步骤训练得到：
3.根据权利要求2所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述根据所述待定体素网格的不确定得分，计算得到所述待定体素网格的所述体素凝聚度，包括：
4.根据权利要求2所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述对所述样本体素网格内的各个数据点在所述样本激光雷达点数据中对应的点云数据点进行标记，得到标记有所述语义分割类别标签的所述样本三维点云数据，包括：
5.根据权利要求3或4所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述方法还包括：
6.根据权利要求2所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述基于所述样本三维点云数据，对预设三维神经网络模型进行训练，得到所述点云语义分割模型，包括：
7.一种基于体素内聚引导主动学习的点云语义分割系统
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至6任一项所述基于体素内聚引导主动学习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至6任一项所述基于体素内聚引导主动学习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至6任一项所述基于体素内聚引导主动学习的点云语义分割方法。
...【技术特征摘要】
1.一种基于体素内聚引导主动学习的点云语义分割方法，其特征在于，包括：
2.根据权利要求1所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述点云语义分割模型通过以下步骤训练得到：
3.根据权利要求2所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述根据所述待定体素网格的不确定得分，计算得到所述待定体素网格的所述体素凝聚度，包括：
4.根据权利要求2所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述对所述样本体素网格内的各个数据点在所述样本激光雷达点数据中对应的点云数据点进行标记，得到标记有所述语义分割类别标签的所述样本三维点云数据，包括：
5.根据权利要求3或4所述的基于体素内聚引导主动学习的点云语义分割方法，其特征在于，所述方法还包括：
6.根据权利要求2所述的基于体素内聚引导...
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。