CN119445291A 融合局部特征与全局上下文信息的三维点云任务分析方法 （中国计量大学）

融合局部特征与全局上下文信息的三维点一种融合局部特征与全局上下文信息的三点采样FPS方式将原始点云数据集的点云数量下2步骤2、点云数据集采样，通过最远点采样FPS方式将2.如权利要求1所述的融合局部特征与全局上下文信息的三维点云任务分析方法，其3.如权利要求1或2所述的融合局部特征与全局上下文信息的三维点云任务分析方法，;3;;。4.如权利要求3所述的融合局部特征与全局上下文信息的三维点云任务分析方法，其此，为了得到点云数据P"与采样点集合D_S的距离，通过距离矩阵D_L记录每个点与D_S中新加入点的欧式距离；,随着D_S更新采样点，D_L会重新计算出新加入的采样点和点云数据集之间的欧式距5.如权利要求1或2所述的融合局部特征与全局上下文信息的三维点云任务分析方法，根据步骤1中构建的点云集P，使用KPconv提取局部特征，KPc的点输入到MLP后依次生成Q.arke,vca，每个局部区域特征为zaeR""，记为;;4;vica与权重向量相乘后通过MLP得到分组后的点云特征6.如权利要求5所述的融合局部特征与全局上下文信息的三维点云任务分析方法，其;;其中，Map,是b,的个最近点的索引映射，通过查询不同的索引o得到皮个最近点的合其中是第l个点的坐标信息，eg"是第l个点的7.如权利要求6所述的融合局部特征与全局上下文信息的三维点云任务分析方法，其;;p(x,)以5;;;;;;8.如权利要求7所述的融合局部特征与全局上下文信息的三维点云任务分析方法，其和密钥嵌入K.的矩阵乘积得到权重矩阵，然后该矩阵拆开做重复操;;;9.如权利要求8所述的融合局部特征与全局上下文信息的三维点云任务分析方法，其6;;;;;;;其中，是pi对应的邻域边界球的体积，Vc是点云边界球的体积，是拼接，(x;JZ:)为KSP点的坐标，pi(x,y,z,)用来表示局部邻域的位置，R,为原始的点云7[0005]为了解决这些问题，研究人员开发了直接使用点特征和位置信息的基于点的方在大多数计算机视觉任务中获得了出色的性能，受Transformer在二维视觉任务中取得的几何特征的语义信息方面具有天然的优势。PCT作为纯粹的Transformer网络,首先提出了8上下文特征提取模块(GlobalShapeFeatureModule,GSFM)通过关键形状点用来学习全局上下文信息。最后，为了解决全局上下文间的位置信息线索，引入空间形状位置编码(Spatial_ShapeRelativePositionEncoding,SS_RPE)获取点之间的位过最远点采样(FarthestPointSampling,FPS)方式将原始点云数据集的点云数量下采步骤9、全局上下文特征提取，采用全局形状特征提取模块(GlobalShape9数据集记作，其中P;为第i个点的坐标信息。P对应的纹理特征集记作;;;。点云数量增加到固定值。邻域的点输入到MLP(MultiLayerPerceptron)后依次生成，每个局部区域;;pj,a为MLP，MLP是一种具有输入层、隐藏层以及输出层结构的前向量vica与权重向量相乘后通过MLP得到分组后的点云特征zni。;;其中，Map,是b,的个最近点的索引映射，通过查询不同的索引o得到皮个最近;;(x,y)以及特征输入到方位角位置编码APE(AzimuthPositionEncoding)进行编码，;;;;;;该矩阵拆开做重复操作得到个通道矩阵，将点的空间信息传播到每个通道;;;行一次局部特征提取，得到局部最终的点云细粒度特征Fr，;[0017]所述步骤9中，根据步骤1中构建的点云集P，使用少数关键形状点(KeyShape;;;（LinearLayer）是神经网络中的一种基本层，也被称为全连接层（FullyConnectedLayer）或密集层（DenseLayer线性层在神经网络中起到的作用是对输入数据进行线性变换；;;;其中，Vz是pi对应的邻域边界球的体积，Vc是点云边界球的体积，是拼接，(x;JZ:)为KSP点的坐标，pi(x,y,z,)用来表示局部邻域的位置，R,为原始的点云[0025]参照图1和图2，一种融合局部特征与全局上下文信息的;;;。过最远点采样(FarthestPointSampling,FPS)方式将原始点云数据集的点云数量下采点云数量增加到固定值。邻域的点输入到MLP(MultiLayerPerceptron)后依次生成，每个局部区域;;量vica与权重向量相乘后通过MLP得到分组后的点云特征zni。;;其中，Map,是b,的个最近点的索引映射，通过查询不同的索引o得到皮个最近;;(x,y)以及特征输入到方位角位置编码APE(AzimuthPositionEncoding)进行编码，;;;;;;后该矩阵拆开做重复操作得到个通道矩阵，将点的空间信息传播到每个通;;;;行一次局部特征提取，得到局部最终的点云细粒度特征Fr，;[0034]步骤9、全局上下文特征提取，采用全局形状特征提取模块(GlobalShape所述步骤9中，根据步骤1中构建的点云集P，使用少数关键形状点(KeyShape;;;（LinearLayer）是神经网络中的一种基本层，也被称为全连接层（FullyConnectedLayer）或密集层（DenseLayer线性层在神经网络中起到的作用是对输入数据进行线性变换；;;;其中，Vz是pi对应的邻域边界球的体积，Vc是点云边界球的体积，是拼接，(x;JZ:)为KSP点的坐标，pi(x,y,z,)用来表示局部邻域的位置，R,为原始的点云特步骤10.1）、构建分类任务：如图1右侧所示，本发明提出形状特征传播模块Net架构，编码器和步骤10.1）中的分类任务相同，之后每个阶段馈送到相应的上采样[0038]本实施例使用ShapeNetPart数据集以及ModelNet40数据集对本发明进行性能测[0041]步骤2、定义评价指标：本发明使用InstanceIoU(ins.mIoU)和classIoU;;;ShapeNetPart是一个用于点云部分分割的数据集，它由来自16个不同形状类别ModelNet40是一个形状分类数据集，它由9843个训练模型和2468个测试CAD模型80.483.783.478.782.574.989.673.091.584.686.184.385.090.479.790.680.892.085.186.484.686.387.281.191.177.892.685.086.884.986.089.981.391.875.492.185.980.895.365.293.081.257.972.880.688.782.295.973.994.784.765.981.484.088.4