申请/专利权人：石河子大学

申请日：2023-07-27

公开（公告）日：2024-04-16

公开（公告）号：CN116958553B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/28;G06V10/77;G06V10/764;G06V10/82;G06N3/0464;G06N3/0455;G06N3/084;G06T7/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.11.14#实质审查的生效;2023.10.27#公开

摘要：本发明提供了一种基于无参注意力和点级卷积的轻量级植物点云分割方法，包括：获取目标植物的点云数据；将点云数据输入至轻量级植物点云分割模型中，得到点云数据的预测分割掩码；轻量级植物点云分割模型由基于无参注意力和点级卷积的轻量级植物点云分割神经网络进行训练得到的；轻量级植物点云分割神经网络包括编码器网络和解码器网络；编码器网络用于对点云数据进行特征提取，得到多层点云特征图；解码器网络用于根据多层点云特征图确定预测分割掩码。本发明能够提高植物点云器官的分割的准确性和效率。

主权项：1.一种基于无参注意力和点级卷积的轻量级植物点云分割方法，其特征在于，包括：获取目标植物的点云数据；将所述点云数据输入至轻量级植物点云分割模型中，得到所述点云数据的预测分割掩码；所述轻量级植物点云分割模型由基于无参注意力和点级卷积的轻量级植物点云分割神经网络进行训练得到的；所述轻量级植物点云分割神经网络包括编码器网络和解码器网络；训练好的编码器网络用于对所述点云数据进行特征提取，得到多层点云特征图；训练好的解码器网络用于根据所述多层点云特征图确定所述预测分割掩码；获取目标植物的点云数据，包括：将所述目标植物的点云通过最远点采样方法进行下采样，将所述目标植物点云中点数下采样设置为2048个点，得到所述点云数据；所述编码器网络包括一个高维映射模块、两个倒瓶颈点集特征提取模块和两个点集特征提取模块；所述高维映射模块用于将所述点云数据的通道特征通过1×1点级卷积投影到更高的维度；所述倒瓶颈点集特征提取模块和点集特征提取模块用于逐步实现对来自所述高维映射模块的点云的下采样和通道扩展，以学习到更丰富的语义特征和空间结构；所述倒瓶颈点集特征提取模块由一个下采样层、一个分组层、三个第一特征映射层、两个无参注意力层、一个池化层和一个倒瓶颈残差连接层组成；所述下采样层用于对输入到所述倒瓶颈点集特征提取模块的点云采用最远点采样，下采样率为0.5；所述分组层用于使用k-近邻算法将最远点采样的采样点与相邻的k个采样点分组，得到多个点集分组；第一个所述第一特征映射层具有共享参数的1×1点级卷积被用来将每个点沿着通道维度投射到一个更高的维度空间；第一个所述无参注意力层被应用于每个所述点集分组，以实现神经元在空间维度上的调谐，增强有用的特征并抑制无关的特征；第二个所述第一特征映射层用于对每个采样点沿着通道维度通过1×1点级卷积进行特征学习，维度空间不变；第二个所述无参注意力层用于实现神经元在空间维度上的调谐；第三个所述第一特征映射层用于通过1×1点级卷积将每个采样点沿着通道维度投射到与所述第二个第一特征映射层二倍的维度空间；所述池化层用于对每组所述点集分组使用最大池化对空间维度的点云进行降样；所述倒瓶颈残差连接层用于使用两个点级卷积将每个采样点的通道维度增加一倍，并恢复到原始值；所述分组层中的采样点特征通过1×1点级卷积加入到所述倒瓶颈点集特征提取模块的输出的点云中；在所述点集特征提取模块的分组层中的采样点特征用1×1点级卷积加入到所述的点集特征提取模块的池化层的输出点云中。

全文数据：

权利要求：

百度查询： 石河子大学 基于无参注意力和点级卷积的轻量级植物点云分割方法

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