【技術實現步驟摘要】
本專利技術屬于三維視覺領域，具體涉及一種基于場景引導的點云分割方法、系統、電子設備及存儲介質。
技術介紹
1、近期，隨著三維雷達傳感技術和數據采集手段的進步，三維點云數據在自動駕駛、增強現實和虛擬現實等多個領域得到了廣泛應用，這不僅推動了點云處理技術的發展，也加強了對三維場景的深入理解。三維點云語義分割，已成為實現三維視覺任務的關鍵。此外，隨著深度神經網絡的飛速發展，基于深度學習的方法如開創性的pointnet通過多層感知機學習點云的全局特征，以及利用卷積神經網絡和基于自注意力機制的transformer網絡，已在三維點云分割任務中取得顯著進展。
2、盡管基于神經網絡的策略在三維點云分割任務中已取得顯著成就，但它們依然面臨著三維雷達點云數據所固有的挑戰性問題，如點云數據在細節紋理上的缺失及其不規則性、非結構化和無序性的問題。
3、首先，點云在細節紋理上的缺失使得算法在淺層細節的表現上存在不足，這對于算法在捕獲上下文信息及聚合局部特征方面造成了顯著的困難。其次，點云數據的稀疏特性不僅導致了高顯存占用和計算時間的增長，也嚴重制約了網絡結構設計的靈活性。
4、現有研究主要集中于優化特征提取的主干網絡，并常采用簡易的u-net形特征融合頸以整合多級特征。雖然依靠自注意力等機制，這些強化的特征提取網絡已經取得顯著的進展，并極大增強了編碼能力，然而，相對簡單的解碼器未能充分利用由這些高效編碼器提供的多尺度信息特征，難以充分還原場景細節。
5、現有方法一般難以對物體的細節部分很好識別，場景對于認
技術實現思路
1、本專利技術針對目前幾種點云分割技術存在的不足之處，著眼于利用場景信息引導特征選擇充分解析編碼器信息，提供了一種基于場景引導的點云分割方法、系統、電子設備及存儲介質。
2、第一方面，本專利技術提供了一種基于場景引導的點云分割方法，包括以下步驟：
3、步驟1：準備包含任意大小和點數的點云數據集，并進行數據預處理操作。
4、步驟2：設計點云分割模型，所述點云分割模型包括特征提取編碼器、特征解碼器和空洞注意力補差器。
5、所述特征提取編碼器，用于從點云數據中提取多層尺度特征；
6、所述特征解碼器，用于將特征提取編碼器中提取到的特征自下而上解碼融合，輸出與輸入圖像相同分辨率的分割結果；
7、所述空洞注意力補差器，用于以空洞結果擴大高層特征感受野以提供給解碼器更好地對特征進行還原。
8、步驟3：計算所述點云分割模型生成的預測分類信息與真值之間的交叉熵損失，訓練所述點云分割模型。
9、步驟4：重復執行步驟3直到達到預設的迭代次數，在每一輪迭代結束時保存模型的參數，利用獨立的驗證集，在每輪訓練結束后計算生成點云標簽的miou指標。
10、步驟5：選擇最佳miou指標所對應的模型參數，將其導入點云分割模型中，使用不同輸入的點云輸入點云分割模型生成分割結果。
11、第二方面，本專利技術提供了一種基于場景引導的點云分割系統，包括：
12、數據處理模塊：用于準備包含任意大小和點數的點云數據集，并進行數據預處理操作。
13、設計模塊：用于設計點云分割模型，所述點云分割模型包括特征提取編碼器、特征解碼器和空洞注意力補差器。
14、所述特征提取編碼器，用于從點云數據中提取多層尺度特征；
15、所述特征解碼器，用于將特征提取編碼器中提取到的特征自下而上解碼融合，輸出與輸入圖像相同分辨率的分割結果；
16、所述空洞注意力補差器，用于以空洞結果擴大高層特征感受野以提供給解碼器更好地對特征進行還原。
17、訓練模塊：用于計算所述點云分割模型生成的預測分類信息與真值之間的交叉熵損失，訓練點云分割模型。
18、迭代模塊：重復執行步驟3直到達到預設的迭代次數，在每一輪迭代結束時保存模型的參數，利用獨立的驗證集，在每輪訓練結束后計算生成點云標簽的miou指標。
19、選擇輸出模塊：選擇最佳miou指標所對應的模型參數，將其導入點云分割模型中，使用不同輸入的點云輸入點云分割模型生成分割結果。
20、第三方面，本專利技術提供了一種基于場景引導的點云分割的電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，所述處理器執行所述程序時實現上述基于場景引導的點云分割方法。
21、第四方面，本專利技術提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序用于執行上述基于場景引導的點云分割方法。
22、本專利技術的有益效果：
23、(1)為了充分利用場景驅動特征的選擇，本專利技術提出了場景引導特征選擇解碼器，用于利用場景和特征間的注意力機制，優化特征的解碼和融合過程，增強點與點之間的關聯性，并減少多尺度信息聚合中的誤差。
24、(2)為了解決傳統特征提取網絡在處理大范圍場景級特征時的局限性，本專利技術提出了空洞注意力補差器，用于通過特定的空洞策略增大感受野，從而在較小計算負擔下有效捕捉更廣闊的場景信息。
25、(3)本專利技術不僅提升了點云分割模型對復雜點云數據的處理能力，還顯著提高了在公認的點云數據集(如s3dis和scannet)上的分割性能。
本文檔來自技高網...【技術保護點】
1.一種基于場景引導的點云分割方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟1中數據預處理操作包括：將點云大小標準化到設定點數，對坐標和顏色進行歸一化，并且對坐標信息進行Z軸對齊以提高點云輸入的精度和一致性。
3.根據權利要求1所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟2包括：
4.根據權利要求3所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟2-2中，所述特征解碼器由雙向帶權金字塔模塊和場景引導特征選擇模塊組成。
5.根據權利要求1所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟3中訓練點云分割模型包括：
6.根據權利要求5所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟3-1中所述數據增強具體為：引入坐標的非線性變換以模擬數據獲取過程中可能的失真，并且引入±5度的旋轉角度、±0.2的縮放比例和0.1的位置抖動以增強原本的點云數據集。
7.一種基于場景引導的點云分割系統，其特征在于，包括：
<...【技術特征摘要】
1.一種基于場景引導的點云分割方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟1中數據預處理操作包括：將點云大小標準化到設定點數，對坐標和顏色進行歸一化，并且對坐標信息進行z軸對齊以提高點云輸入的精度和一致性。
3.根據權利要求1所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟2包括：
4.根據權利要求3所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟2-2中，所述特征解碼器由雙向帶權金字塔模塊和場景引導特征選擇模塊組成。
5.根據權利要求1所述的一種基于場景引導的點云分割方法，其特征在于，所述步驟3中訓練點云分割模型包括：
6.根據權利要求5所述的一種基于場景引導的點云分割方法，其特征在于...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。