申请/专利权人:东南大学
申请日:2022-02-28
公开(公告)日:2024-04-16
公开(公告)号:CN114549917B
主分类号:G06V10/771
分类号:G06V10/771;G06V10/764;G06V10/778;G06V10/82;G06V20/00;G06V20/10;G06N3/045;G06N3/0895
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2022.06.14#实质审查的生效;2022.05.27#公开
摘要:本发明公开了一种数据表征增强的点云分类方法,包括以下步骤:将点云数据样本通过特征提取主干网络获取全局特征;将全局特征输入映射头的前馈网络,根据输入样本的空间邻域关系设计正负样本对,计算特征的对比损失;计算每个样本分类预测向量对应的概率分布信息熵,获得基于信息熵注意力机制的样本加权系数;根据样本类别计算高维空间中簇距离的反相关系数,获得每个样本所属类别基于簇距离的负样本加权系数;经过上述加权调整的对比损失和分类损失相加,并进行参数优化。在实际预测中,将点云数据输入到优化后的模型中,输出点云分类结果。本发明能够增强点云数据的表征效果,有效提高点云识别的准确率。
主权项:1.一种数据表征增强的点云分类方法,其特征在于,包括:将点云数据输入特征提取模型的主干网络,提取点云的全局特征;将得到的全局特征输入映射头的前馈网络,得到映射到嵌入空间的高维特征;根据点云数据输入空间邻域关系设计正负样本对;通过对比损失计算正负样本对在高维特征空间中的对比损失;过程如下: 其中,集合属于P的正样本P+的集合;集合属于P的负样本P-的集合;I为锚点样本P的高维嵌入特征;I+为正样本的高维嵌入特征;I-为负样本的高维嵌入特征;Wij为基于信息熵注意力机制的样本加权;为基于簇距离的负样本相加时的权重;将得到的全局特征数据输入分类头的前馈网络,得到前馈网络的输出预测结果;通过交叉熵损失计算预测结果和点云数据标注的真实标签的分类损失;将对比损失和分类损失相加形成最终损失,使用优化算法模型进行参数优化;最终将点云数据输入到优化完参数的模型中,通过前馈网络输出预测结果。
全文数据:
权利要求:
百度查询: 东南大学 一种数据表征增强的点云分类方法
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。