[发明专利]特征提取方法、网络训练方法、电子设备及存储介质

说明书

本申请公开了一种特征提取方法、基于稀疏特征处理的网络训练方法、电子设备及计算机存储介质。该特征提取方法包括：获取输入点云的第一稀疏特征；基于预先定义的多个不同的尺度对第一稀疏特征进行采样，得到每个尺度对应的第二稀疏特征；采用全连接层获取每个尺度对应的第二稀疏特征分配的权重；利用分配的权重对多个不同尺度对应的第二稀疏特征进行融合，以得到多尺度几何增强的融合稀疏特征。通过这种方式，能够保证几何信息及上下文信息，及提高点云特征提取的实时性及高效性。

技术领域

本申请涉及点云学习技术领域，特别是涉及一种特征提取方法、基于稀疏特征处理的网络训练方法、电子设备及计算机存储介质。

背景技术

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，这项任务对效率、性能和内存消耗的有着苛刻要求。近些年来，利用多种表征方式融合的方式(如DRINet、SPVCNN)逐渐成为主流，多种表征方式融合的方法能够弥补单一表征方式的不足，多表征方式融合的一般框架是使用点级别的操作提取几何信息，用稀疏卷积进行上下文学习，这种框架会带来额外的计算量，实时性及高效性较低。

发明内容

本申请解决的主要技术问题是：提供一种特征提取方法、基于稀疏特征处理的网络训练方法、终端设备及计算机存储介质，以保证几何信息及上下文信息，及提高点云特征提取的实时性及高效性。

为解决上述技术问题，本申请提供的一技术方案为：提供一种特征提取方法，该特征提取方法包括：获取输入点云的第一稀疏特征；基于预先定义的多个不同的尺度对第一稀疏特征进行采样，得到每个尺度对应的第二稀疏特征；采用全连接层获取每个尺度对应的第二稀疏特征分配的权重；利用分配的权重对多个不同尺度对应的第二稀疏特征进行融合，以得到多尺度几何增强的融合稀疏特征。

为解决上述技术问题，本申请提供的一技术方案为：提供一种基于稀疏特征处理的网络训练方法。该网络训练方法包括：获取训练点云的第一训练稀疏特征；基于第一训练稀疏特征得到训练融合稀疏特征，基于训练融合稀疏特征进行语义监督，以对全连接层的模型进行训练，包括以迭代方式重复执行以下步骤：基于预先定义的多个不同的尺度对第一训练稀疏特征进行采样，得到每个尺度对应的第二训练稀疏特征；采用全连接层获取每个尺度对应的第二训练稀疏特征分配的权重；利用分配的权重对多个不同尺度对应的第二训练稀疏特征进行融合，以得到多尺度几何增强的训练融合稀疏特征；将融合稀疏特征输入语义预测模型，以进行语义预测，获取融合稀疏特征的预测语义分类；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练。

为解决上述技术问题，本申请提供的一技术方案为：提供一种电子设备。该电子设备包括存储器以及与存储器耦接的处理器；其中，存储器用于存储程序数据，处理器用于执行程序数据以实现上述特征提取方法和/或网络训练方法。

为解决上述技术问题，本申请提供的一技术方案为：提供一种计算机可读存储介质。该计算机存储介质用于存储程序数据，程序数据在被处理器执行时，用以实现上述特征提取方法和/或网络训练方法。

本申请提供的特征提取方法先获取输入点云的第一稀疏特征，并基于预先定义的多个不同的尺度对第一稀疏特征进行采样，得到每个尺度对应的第二稀疏特征；采用全连接层获取每个尺度对应的第二稀疏特征分配的权重；利用分配的权重对多个不同尺度对应的第二稀疏特征进行融合，以得到多尺度几何增强的融合稀疏特征。本申请采用多尺度池化以及基于注意力的尺度选择来增强点云的几何特性，不仅能够保证几何信息及上下文信息，而且能够提高点云特征提取的实时性及高效性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本申请特征提取方法一实施例的流程示意图；