[发明专利]基于邻域聚合蒙特卡罗失活的点云语义不确定度感知方法

权利要求书

1.一种基于邻域聚合蒙特卡罗失活的点云语义不确定度感知方法，其特征在于，包括以下步骤：

获取待处理场景的原始点云，所述原始点云由描述所述待处理场景几何结构的无序点构成；

将所述原始点云作为输入，以PointNet(++)为基础模型构建NSA-MC-dropout框架，其中，在编码阶段，所述NSA-MC-dropout框架生成不同粒度的特征向量，在解码阶段，所述特征向量被拼接到对应空间点，运用带有空间采样的多层感知机进行推理后生成各个无序点的随机推理结果；

通过对所述随机推理结果进行融合实现单次随机推理建立所述原始点云中各个无序点的预测分布；

通过捕获所述预测分布中包含的信息量来量化点云语义不确定度或通过建模所述预测分布的分散程度来量化点云语义不确定度；

其中，在获取各个无序点预测分布之后，还包括：

将所述预测分布去表征所有可能预测值，从而用统一的方式定量表征噪声点与非噪声点，对所述噪声点在不确定性引导损失函数中分配较低的权重，以实现NSA-MC-dropout框架对噪声较强的鲁棒性：

，其中，N和M分别表示空间点的数量和类别的数量，为正则化项用于防止偶然不确定性的预测值无限大；

其中，所述通过捕获所述预测分布中包含的信息量来量化点云语义不确定度或通过建模所述预测分布的分散程度来量化点云语义不确定度，还包括：

通过不同的采集函数去评定和分解所述不确定度，包括预测熵PE函数和平均标准差STD函数：，

，

其中，带有dropout层模型的预测结果表示为，为方便起见表示为；通过使用NSA-MC-dropout，近似，表示采集函数的子函数。

2.根据权利要求1所述的方法，其特征在于，还包括，

在所述NSA-MC-dropout框架的部分可训练层后加入随机失活因子实现模型采样。

3.根据权利要求1或2所述的方法，其特征在于，还包括，

所述多层感知机包括完全连接的权重共享层，通过在所述权重共享层加入随机失活因子，用于推理不同目标点的FC层会呈现不同的随机权值，从而在单个随机前向中实现空间模型采样。

4.根据权利要求1所述的方法，其特征在于，所述通过对所述随机推理结果进行融合实现单次随机推理建立所述原始点云中各个无序点的预测分布，包括：

对于一组包含目标点和其个近邻点的点集，可记为：

，

其中，点集中各点的概率输出可以近似于MC dropout建立的目标点的T次概率输出，通过汇总T次概率输出得到的分布均值可以表示为：

，

如果用于近邻点的随机推理权重在一次模型随机正向传播中建立，则实现一次推理建立点云中各点的预测分布。