申请/专利权人：西安电子科技大学

申请日：2020-12-02

公开（公告）日：2024-04-16

公开（公告）号：CN112561796B

主分类号：G06T3/4053

分类号：G06T3/4053;G06T5/50

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.04.13#实质审查的生效;2021.03.26#公开

摘要：本发明公开了一种基于自注意生成对抗网络的激光点云超分辨率重建方法，通过生成器网络中对激光点云图像进行特征提取，获得激光点云特征；对所述激光点云特征进行特征扩展，再进行坐标重建，获得密集点云数据；对所述密集点云数据进行鉴别确定对应的置信度；根据所述密集点云数据的置信度预判对应的密集点云数据，如果该置信度值接近1，则鉴别器预测输入可能来自具有高置信度的目标分布，否则来自生成器，对所述密集点云数据进行特征集成，获得输出特征；通过输出特征对对抗网络进行训练得到最终的稠密点云数据。本发明能够实现不同特征提取单元之间的特征信息共享，在提高重建精度的同时减小模型的大小，利于网络模型的轻量化。

主权项：1.一种基于自注意生成对抗网络的激光点云超分辨率重建方法，其特征在于，该方法为：通过生成器网络中对激光点云图像进行特征提取，获得激光点云特征；对所述激光点云特征进行特征扩展，再进行坐标重建，获得密集点云数据；对所述密集点云数据进行鉴别确定对应的置信度；根据所述密集点云数据的置信度预判对应的密集点云数据，如果该置信度值接近1，则鉴别器预测输入可能来自具有高置信度的目标分布，否则来自生成器，对所述密集点云数据进行特征集成，获得输出特征；通过输出特征对对抗网络进行训练得到最终的稠密点云数据；所述通过生成器网络中对激光点云图像进行特征提取，获得激光点云特征，具体为：在从大小为N×d的稀疏点云输入P中提取激光点云特征FN×C，其中d为点云的维数，将N×3的稀疏点云输入特征提取单元，特征提取单元由一系列密集块组成，每个密集块的内部采用密集连接方式，密集块之间采用长跳跃连接方式，实现不同特征提取单元之间的特征信息共享，在每个密集块中，将输入转换为固定数量的特征，使用基于特征的最近邻算法KNN对特征进行分组，通过密集连接的MLP链优化每个分组的特征，最后通过最大池化层计算激光点云特征；所述对所述激光点云特征进行特征扩展，再进行坐标重建，获得密集点云数据，具体为：对提取的激光点云特征F进行拓展得到扩展特征Fup，对所述扩展特征Fup进行上采样，生成上采样后的扩展特征F′up后再对其下采样，然后通过计算上采样前和下采样后特征间的特征差Δ，将所述特征差Δ上采样得到上采样后的特征差Δup，再将所述上采样后的特征差Δup添加到上采样后的扩展特征F′up对扩展后的特征进行校正，获得校正后的扩展特征；所述扩展特征通过一组联合多层感知器CMLP回归得到点云的3D坐标集，每个MLP的输出即提取的点云特征可与后续的MLP共享重复使用，所述回归得到的点云坐标集即为最终网络输出的密集点云数据；所述对所述密集点云数据进行鉴别确定对应的置信度，具体为：对于生成器网络G和判别器网络D采用最小平方损失作为对抗性损失；所述根据所述密集点云数据的置信度预判对应的密集点云数据是来自置信度高的目标点云还是来自生成器，具体为：通过一组MLPs和最大池化层生成全局特征，并利用全连接层回归最终的置信度，若该置信度值接近1，则判别器预判其输入可能来自置信度高的目标点云，否则判定其来自生成器；所述对所述密集点云数据进行特征集成，具体为：在自注意单元中通过两个独立的CMLP将输入特征转换成M和N，然后通过3式从M和N生成注意权重W，W＝fsoftmaxMTN3式中，fsoftmax表示softmax函数，将得到的加权特征W与原始输入特征T、通过另一个CMLP从输入中提取的特征K进行加权，最后生成输出特征。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于自注意生成对抗网络的激光点云超分辨率重建方法

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