CN114693873B 一种基于动态图卷积和注意力机制的点云补全方法 （首都师范大学）

号WenxiaoZhangetal..DeFeatureAggregation.arxiv.2020AttentionMapLearningUsingConte一种基于动态图卷积和注意力机制的点云本发明介绍了一种基于动态图卷积和注意用注意力池化和最大池化结合的多通道方式进行点云的特征聚合，高效完成了缺失点云的补2所述S3步骤中特征补全与重建方法为使用特征补全模块对特征2.根据权利要求1所述的一种基于动态图卷积和注意力机制的点云补全方法，其特征3.根据权利要求2所述的一种基于动态图卷积和注意力机制的点云补全方法，其特征在于，所述步骤S11中定义邻域并更新动态邻域图的具体方法为使用最近邻算法k-NN在特4.根据权利要求2所述的一种基于动态图卷积和注意力机制的点云补全方法，其特征在子单元之外，每个子单元的输出也通过跳跃连接操作传递3p5.根据权利要求1所述的一种基于动态图卷积和注意力机制的点云补全方法，其特征p6.根据权利要求5所述的一种基于动态图卷积和注意力机制的点云补全方法，其特征7.根据权利要求5所述的一种基于动态图卷积和注意力机制的点云补全方法，其特征然后将每个元素乘以相应的分数并相加得到输出4缺失性和稀疏性使得获取有用的邻域信息变得率的点邻域信息，但是这种基于欧式空间的邻域点选取方法对于点的分布与密度十分敏5[0015]优选地，所述步骤S11中定义邻域并更新动态邻域图的具体方法为使用最近邻算f=ho(-1)e-1,(2)6[0038]S304、通过自注意力机制单元和共享多层感知机得到大小为rN×C的扩张特征矩[0043]1、本申请在特征空间中定义每个点的邻域，即根据特征图的相似性来寻找邻近[0047]上述说明仅是本申请技术方案的概述，为了能够更清楚7[0050]图1为本发明提供的一种基于动态图卷积和注意力机制的点云补全方法的结合图[0051]图2为本发明提供的一种基于动态图卷积和注意力机制的点云补全方法的动态图[0052]图3为本发明提供的一种基于动态图卷积和注意力机制的点云补全方法的特征补[0053]图4为本发明提供的一种基于动态图卷积和注意力机制的点云补全方法的效果对系。8本发明提供的一种基于动态图卷积和注意力机制的点云补全方法的动态图卷积9态图卷积和注意力机制的点云补全方法的特征补全与坐标重建[0094]S304、通过自注意力机制单元和共享多层感知机得到大小为rN×C的扩张特征矩[0098]本申请在特征空间中定义每个点的邻域，即根据特征图[0103]基于上述实施例1，本实施例主要介绍一种基于动态图卷积和注意力机制的点云1e-5，每40个epoch衰减0.7。训练时的批次大小设为32，我们的网络大约在训练到邻域内点的数量进行约束，Uclutter是对局部邻域内点的几何分布进行约束。其中Sj(j=γ是对应损失函数的权重值：[0112]最后建立训练数据集：我们在MVP数据集(Multi-ViewPartialPointCloud[0114]基于上述实施例1-2，本实施例主要介绍一种基于动态图卷积和注意力机制的点[0115]建立模型评价参数：通过计算预测点云Q与真值点云Qgt之间的Chamfer基于动态图卷积和注意力机制的点云补全方法的效果对比图。通过图4可以直接的看出输入点云的原有结构，并且利用已知点云的几何特征学习相似的结构信息对缺失部分补通过常规的替代或者