CN119478410A 一种基于多尺度空间Transformer网络的复杂地形点云分割方法 （南京国础科学技术研究院有限公司）

一种基于多尺度空间Transformer网络的复种基于多尺度空间Transformer网络的复杂地形并构建基于点邻域的BCE几何增强特征；构建基于多尺度空间Convolution_SwinTransformer的Point_SCT网络；利用ALS点云数据对Point_SCT展开训练任务，从ALS点云数据中分割地面遥感场景中的地面点提取任务中，Point_SCT能2构建基于多尺度空间Convolution_SwinTransforme2.根据权利要求1所述的一种基于多尺度空间Transformer网络的复杂地形点云分割获取剖面缓冲区点云数据的地面点数量为和非地面对规则块中的点添加BCE特征来代替RGB作为3.根据权利要求2所述的一种基于多尺度空间Transformer网络的复杂地形点云分割采样以及SSwinTransformer模块；解码器中包含LayerNormalization(LN)、Linear和4.根据权利要求3所述的一种基于多尺度空间Transformer网络的复杂地形点云分割局部几何结构编码模块(LGSE模块)，用于将具有稀释池化模块(DP模块)，作为基于弱监督学习的注意力神经元模块使5.根据权利要求4所述的一种基于多尺度空间Transformer网络的复杂地形点云分割SSwinTransformer在MLFA模块实现对局部特征聚合的基础上，对局部丰富的几何特征间6.根据权利要求5所述的一种基于多尺度空间Transformer网络的复杂地形点云分割7.根据权利要求6所述的一种基于多尺度空间Transformer网络的复杂地形点云分割3[0001]本发明涉及计算机视觉技术领域，尤其涉及一种基于多尺度空间Transformer网[0003]机载激光扫描(ALS)作为一种主动遥感技术，能够连续地展开大规模对地动态三接从原始数据中学习到特定任务相关的规律及关键特征，简化了前期复杂的特征设计工[0006]为应对上述挑战，当前已有许多研究提出了多种基于点的点云深度学习处理方[0007]基于点CNN的方法使用多个或共享点卷积算子直接对点进行一维运算，随后对输4[0008]而基于视觉Transformer方法的核心是利用侧重于全局依赖的自注意力对输入元[0010]我们基于点邻域几何关系设计了BCE的特征组合作为输入特征，从而增强表层几[0015]对原始ALS点云数据进行数据预处理操作，并构建基于点邻域的BCE几何增强特[0023]优选地，所述构建基于多尺度空间Convolution_SwinTransformer的Point_SCT采样以及SSwinTransformer模块；解码器中包含LayerNormalization(LN)、Linear和5[0027]优选地，所述SSwinTransforme模块，基于动态空间滑SSwinTransformer在MLFA模块实现对局部特征聚合的基础上，对局部丰富的几何特征间[0032]1、本发明提出了基于点的多尺度空间Convolution–SwinTransformer(Point_[0034]3、本发明提出了一组适用于该模型结构设计下的增强特征的组合BCE来代替RGB[0038]图4为本发明与当前先进的基于点和基于Transformer的方法在实验测试集数据[0041]S1、对原始ALS大规模野外点云数据进行数据预处理操作，并构建基于点邻域的[0045]S11、首先使用点云处理软件对原始点云中的噪声、斑点或异常点等进行人工剔6[0048]S14、为避免ALS点云叠加和配准多源影像获取RGB会不可避免地引入大量的噪声[0049]S141、BoundaryDetector：将点pi＝(xi，yi，zi)作为查询点，首先使用k_[0052]S142、SurfaceCurvature：首先通过pi来查询k个近邻点Pi7[0061]S23、其次，高维投影特征向量被送入编码器阶段(EncoderStage1，EncoderStage2，EncoderStage3)和解码器阶段(DecoderStage1，DecoderStage2，Decoderpi}i＝N，其中NeR,P;eR3,每个点携带其增强特征BCE，组成特征集合F＝{f1，[0063](1)首先通过基于欧氏距离地K_NearestNeighbors(KNN)定义以有效半径r为邻[0064](2)在LGSE模块中通过邻域聚合函数g来捕获中心点邻域坐标和特征和计含了中心点与邻域的空间几何结构参考信息，随后将其作为特征向量嵌入中心点，得到[0066](3)在此基础上，我们将具有强几何形状信息的特征向量嵌入中心点，得到从而避免稀疏点云在多阶段编码中逐渐特征弱化或丢8[0070](5)进一步，为将当前权重对特征的约束传递至下一编码阶段的神经元中，通过释后的特征集合其中eNXDar,并作为输入传递至下一处分输入点空间特征向量，并利用每个窗口对应的唯一查询点对该窗口内的所有点进行关a和db分别是查[0078](3)全局自注意力锐化特征送入LBR(LBR模块嵌入了Linear，BatchNorm和9[0084]使用S1中带有增强特征BCE的训练集和验证集数据对基于多尺度空间特征Point_2[0092]SurfaceCurvature：首先通过pi来查询k个近邻点Pk，计算这些的变化。该框架直接处理包含坐标(xyz)及衍生的几何特征(BoundaryDetector、码器集成了多尺度局部特征聚合机制，包括MLFA模块、随机采样层以及空间SwinTransformer(SSwinTransfor[0099]DP:稀释池化模块成了基于弱监督学习的注意力神经元模块，自动学习潜在的局部几何特征进行向量权重分配，通过权重对特征向量的约束来实现高密度特征的有效稀[0101]4.将上述步骤所获取的ALS点云数据划分的训练集和验证集数据来对Point_SCT来对学习率进行周期性的调整。由于我们提供的室外点云体量较大，点密度不均衡，将Batch和GridSize调制为2和0.02。