申请/专利权人：江苏大学

申请日：2021-05-07

公开（公告）日：2024-04-12

公开（公告）号：CN113421267B

主分类号：G06T7/10

分类号：G06T7/10;G06T5/50;G06N3/0464;G06N3/048;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.10.12#实质审查的生效;2021.09.21#公开

摘要：本发明提供了一种基于改进PointConv的点云语义与实例联合分割方法及系统，以激光雷达或深度相机获取的点云作为改进PointConv特征提取模块的输入，经过共享编码模块的点同时通过语义分割解码和实例分割解码，得到实例特征预测和语义特征预测，双向自注意模块将改进PointConv特征提取模块所得到的语义特征预测和实例特征预测进行特征融合，分别进行实例分割和语义分割，得到包含有语义特征的实例信息和包含有实例特征的语义信息。本发明提高了实例分割的速度，且减少了对语义分割精度的依赖性。

主权项：1.一种基于改进PointConv的点云语义与实例联合分割方法，其特征在于：获取的点云输入改进PointConv特征提取模块，经过共享编码模块，得到特征维度为512的点，所述特征维度为512的点同时通过语义分割解码和实例分割解码，得到实例特征预测Fins和语义特征预测Fsem；所述实例分割解码部分引入上下文聚合模块以及门控传播模块，增强特征的学习；双向自注意模块将改进PointConv特征提取模块所得到的语义特征预测Fsem和实例特征预测Fins进行特征融合，分别进行实例分割和语义分割，得到包含有语义特征的实例信息和包含有实例特征的语义信息；所述语义分割解码具体为：采用反卷积的形式进行逐步上采样，直至点数采样至特征维度为128的输入点Na，得到语义特征预测Fsem；所述实例分割解码具体为：先使用PointDeconv对共享编码模块的最终结果进行反卷积上采样到Nd个点，将这Nd个点的特征输入至上下文聚合模块，经过三次1x1卷积，分别得到特征Q、特征K和特征V，将特征Q与转置后的特征K进行矩阵乘法，再经过sigmoid压缩得到权重矩阵W1，将权重矩阵W1与特征V进行矩阵乘法，所得结果再与特征V进行逐元素相加，得到最终的聚合特征；将最终的聚合特征Fdec与共享编码模块PointConv_3输出的特征Fenc作为门控传播模块的输入，将Fdec和Fenc进行通道拼接，得到Fcon，再经过1x1卷积、sigmoid压缩，得到Nd×1的权重矩阵W2；将权重矩阵W2在特征维度上平铺256次，与Fenc逐元素相乘，得到Fenc′，将权重矩阵1-W2在特征维度上平铺256次，与Fdec逐元素相乘，得到Fdec′，再将Fenc′和Fdec′进行通道拼接，输出最终结果；将Fdec和Fenc两部分特征进行融合，完成第一步的解码操作，得到256维度的Nc个点；以类似的操作进行两次，将点数上采样到特征维度为128的Nb；最后经过一次PointDeconv，将点数上采样至输入点Na，保持特征维度128，得到实例特征预测Fins；所述实例分割具体为：先将语义特征预测Fsem和实例特征预测Fins传入STOI模块中，将Fsem同时经过两次1x1卷积，两次结果进行转置后相乘，再经过sigmoid压缩得到权重矩阵，权重矩阵与Fins相乘，再与Fins进行拼接，得到带有语义信息的实例特征Fstoi，经过两层全连接层缓冲后，最终得到Na×Ne的实例嵌入Fs′toi，再经过多次反向传播优化后，进行一次聚类操作，则完成实例分割；所述语义分割具体为：实例分割部分经过全连接层Fc1缓冲后得到Na×128的实例特征信息Fi′ns，将实例特征信息Fi′ns与Fsem输入ITOS模块，将Fi′ns同时经过两次1x1卷积，两次卷积结果进行转置后相乘，再经过sigmoid压缩得到权重矩阵，权重矩阵与Fsem相乘，再与Fsem进行拼接，得到带有实例信息的语义特征Fitos，然后经过全连接层得到Na×Nc的语义特征信息，再经过多次反向传播优化后，经过一次argmax，完成语义分割。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于改进PointConv的点云语义与实例联合分割方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD