CN119445208A 顾及全局-局部自注意力机制的机载点云分类方法及系统 （湖北工业大学）

顾及全局-局部自注意力机制的机载点云分提取的点云的局部特征构建局部自注意力机制待分类的机载激光点云测试数据输入训练好的明针对机载点云大场景分类中存在的特征表达2将从机载点云数据获取的强度值输入到网络中，把整个场景分成预于，所述基于提取点云的局部特征构建局部自注意力机制网络采用基于半径的球查询方对距离矩阵D(i,r)中的每一行元素按照从小到大的顺序进行排序引D,；g选择索引D,每一行前g个元素的索引得到距离每个点最近的g个邻居点的索引，选出gg将输入的点云特征信息通过线性层进行初步特征变换和全局自注意力层捕捉整个点3将包含全局信息的特征送入局部自注意力层得到进一步丰富将原始输入特征与变换后的特征相加得到最8.根据权利要求1所述的顾及全局_局部自注意力机制的在下采样时增加边缘卷积模块捕获局部特征，通过全局_局部自注意力机制模块对点9.根据权利要求1所述的顾及全局_局部自注意力机制的机4器学习方法在点云分类中常采用基于手工提取特征的方法。例如Zhang等提出的支持向量等提出的马尔可夫随机场(MarkovRandomField，MRF)和Niemeyer等提出的条件随机场挑战在于需要手动设计特征提取方法，且对点云数据的非结构性和高维性处理较为复杂，度学习方法，由此也涌现了一系列的改进方法。例如Li等提出了一种3DMultiscale基于点的深度学习模型只注重探索局部几何结构，而忽略了点与点之间的全局上下文关5明提供顾及全局_局部自注意力机制的机载点云分类方法及系统，本发明通过设计了一个[0006]根据本发明的第一方面，本发明提供顾及全局_局部自注意力机制的机载点云分[0016]可选的，所述ISPRS_3D机载点云数据集中的每个点云数据提供空间XYZ坐标、强[0018]将从机载LiDAR数据获取的强度值输入到网络中，把整个场景分成预设尺寸的长gg6[0025]使用减法关系将位置编码θ添加到注意力向量γ和转换后的特征α,得到输出特[0027]将输入的点云特征信息通过线性层进行初步特征变换和全局自注意力层捕捉整[0029]将得到的局部特征信息经过线性层映射到更高的维度和全局自注意力层进行处[0033]可选的，所述将待分类的机载激光点云测试数据输入训7[0053]在本实施例中，选取ISPRS_3D机载点云数据集，由来自德国Vaihingen地区的[0055]点云的原始3D坐标和可选特征(本文采用从机载LiDAR数据获取的强度值)输入到[0057]在点云分类任务中，一个常见的挑战是缺乏对点与点之间拓扑关系的有效描卷积能够有效捕捉点与点之间的连接和相对位置关系来增强点云数据的局部特征表达能8[0059]1)边缘特征提取。图3是本发明实施例提供的边缘卷积局部特征提取流程图；首[0069]点云数据本质上是由一系列不规则地分布在三维空间中的点集合P＝{Pi}(i＝0,9gg[0081]全局_局部自注意力机制模块(Global_LocalSelfAttentionBlock，GLAT)的设计结合了两种自注意力机制的优势，全局自注意力机制通过捕捉点云中长距离的依赖关和局部自注意力机制的输出有效地结合起来。这种结合不仅保留了两种机制各自的优势，[0083]步骤6.1，将输入的点云特征信息通[0084]步骤6.2，包含全局信息的特征[0085]步骤6.3，将得到的局部特征信息经[0092]最后，本发明实施例对大场景机载激光三维点云进行自动分类的结果示例如图7类系统与前述各实施例提供的顾及全局一局部自注意力机制的机载点云分类方法相对应，顾及全局局部自注意力机制的机载点云分类系统的相关技术特征可参考顾及全局局部以对前述各实施例所记载的技术方案进