CN114494807B 特征提取方法、网络训练方法、电子设备及存储介质 （深圳元戎启行科技有限公司）

道福保社区桃花路与槟榔道交汇处西章.SegmentationwithGeometry-AwareSpa2基于预先定义的多个不同的尺度对所述第一稀疏特征进行采样其中，所述利用全连接层获取每个尺度对应的第二稀疏将多个不同尺度对应的第二稀疏特征进行上采样，以使得上采样后将所述全局稀疏特征输入所述全连接层进行每个尺度对应的第二稀疏特征的权重分其中，所述点云是指在一个三维坐标系统中的一组向量的按照预先定义的最小尺度对所述融合稀疏特征进行最近邻上采样，得按照所述最小尺度对多个第二稀疏特征进行上采样，以将多个第二稀疏将多个第二稀疏特征与对应分配的权重进行将多个加权后的第二稀疏特征进行求和，以得到所述多尺度几何增强的融合稀疏特将所述融合稀疏特征输入语义预测模型，以进行语义预测，获将所述预测语义分类按照所述融合稀疏特征与所述输入点云的位置映射关系映射到3基于所述预测语义分类和真实语义分类对所述全基于预先定义的多个不同的尺度对所述第一稀疏特征进行采样其中，每次迭代得到的融合稀疏特征作为下一次迭代的第基于所述叠加融合稀疏特征的所述预测语义分类和真实语义分类对所述全连接层的基于所述第一训练稀疏特征得到训练融合稀疏特征，基于所述基于预先定义的多个不同的尺度对所述第一训练稀疏特征进行采样采用所述全连接层获取每个尺度对应的第二训练稀疏特征将所述训练融合稀疏特征输入语义预测模型，以进行语义预测基于所述预测语义分类和真实语义分类对所述全其中，所述点云是指在一个三维坐标系统中的一组向量的其中，所述存储器用于存储程序数据，所述处理器用于执行所述程要求1~9任一项所述的特征提取方法和/或权利要求104[0002]大规模室外点云分割已经成为自动驾驶系统等的一项关键任务，这项任务对效行程序数据以实现上述特征提取方法和/或网56特征提取方法可以通过处理器调用存储器中存储的计算机可读指令能够快速且高效的提取点云的上下文特征，扩大点云的感受野(指一个特征编码了多大范7度放大，将最细尺度的第二稀疏特征与上采样得到的稀疏特征经过1×1×1卷积通道侧向[0049]本实施例利用上述多尺度稀疏池化算法及多尺度注意力选择算法的全连接层对8稀疏特征编码器输出的第一稀疏特征完成稀疏特征多尺度池化的操作及尺度选择的操作，到每个尺度的特征向量，全局池化特征向量。如四种尺度对应的第二稀疏特征分别为：别通过全局池化得到四种尺度对应的特征向量为：其中，全局池)[0069]步骤S55：将全局稀疏特征输入全连接层进行每个尺度对应的第二稀疏特征的权9gggggg据这个整体信息给每个尺度的第二稀疏特征定制一个具收集来自不同尺度的所有信息。对结果应用了具有sigmoid激活的按尺度MLP层(全连接[0089]步骤S75：将全局稀疏特征输入全连接层进行每个尺度对应的第二稀疏特征的权[0102]进一步地，还可以基于预测语义分类和真实语义分类对全连接层的模型进行训[0111]步骤S85：将全局稀疏特征输入全连接层进行每个尺度对应的第二稀疏特征的权[0118]每次迭代得到的融合稀疏特征作为下一次迭代的第一稀疏特征以及训练下一次[0129]本申请实施例所述的基于稀疏特征处理的网络训练方法及其网络结构可以应用于稀疏特征处理的网络的稀疏几何特征增强层，以更多几何指导增强第一训练稀疏特征，[0137]具体地，本实施例可以通过以迭代方式重复执行步骤S93至步骤S97来实现步骤[0139]采用稀疏几何特征增强层中的多尺度稀疏池化层对第一[0140]本实施例可以采用多尺度稀疏池化层(参阅上述实施例的算法1)，以在稀疏体素残差网络对同一第一训练稀疏特征进行不同[0144]将不同尺度对应的第二训练稀疏特征输入稀疏几何特征增强层的多尺度注意力[0149]具体地，本实施例可以采用如图10所示的方法实现步骤S95。本实施例包括步骤[0154]在每次迭代过程中，将多尺度几何增强的训练融合稀疏尺度的第二训练稀疏特征，因此可以将稀疏监督逐步应用于输出体素特征作为辅助损失。[0171]多尺度稀疏池化层将每个尺度对应的第二训练稀疏特征通过一个全局池化的方gg)g[0177]多尺度稀疏池化层将全局特征向量V输入多尺度注意力选择层中的一个全连接ggggg[0187]进一步地，多尺度注意力选择层得到每个尺度的第二训练稀疏特征对应的权重[0198]步骤S122：基于预先定义的多个不同的尺度对所述第一[0225]处理器51进一步执行程序数据以实现上述实施例的特征提取方法和/或网络训练作。串匹配预测装置的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存)，单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现[0233]程序数据61在被处理器执行时能够进一步实现上述实施例的特征提取方法和/或