[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

说明书

本发明提出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，其中包括，获取待处理场景的原始点云；将原始点云作为输入，以PointNet(++)为基础模型构建NSA‑MC‑dropout框架，其中，在编码阶段，NSA‑MC‑dropout框架生成不同粒度的特征向量，在解码阶段，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；通过对随机推理结果进行融合实现单次随机推理建立原始点云中各个无序点预测分布；通过捕获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。在不增加模型参数和推理次数的基础上，实现了不确定度感知点云语义分割的框架。

技术领域

本发明属于三维视觉模式识别领域。

背景技术

机器人抓取、路径规划和自动驾驶等场景需要运用三维激光扫描设备对周边场景进行三维建模，形成点云数据（由海量离散点构成的环境结构拓扑数据），点云语义分割（识别出点云中每个点的语义标签）是机器进行进一步决策的基础。但是现阶段的语义分割技术难以对点云中的每个点的标签进行准确的识别。错误识别为机器决策带来了风险。因此，需要采用具有不确定度感知的点云语义分割技术输出预测结果的置信程度，方便决策机器进行采纳。

不确定度感知的点云语义分割专注于两个关键任务：分割结果的不确定度评定和分割模型的不确定度引导学习。不确定性评定有助于作业人员掌握分割模型给出预测结果的可信程度，这对于决策型应用至关重要。不确定度引导模型优化利用不确定度来实现模型更好的收敛性，从而实现模型分割性能的提升。

不确定度评定任务的关键是建模每个目标的预测分布，通过量化分布的分散程度去建立不同类型的不确定度。传统的目标预测分布建立方法基于贝叶斯模型去学习模型权值上的高斯后验概率，从而来建立每个目标的预测分布。蒙特卡洛失活法（MC- dropout）被证明可以用于近似这种贝叶斯学习过程，其通过汇总多次随机推理的结果来建立目标的不确定度，这种方法虽然使用方便但是依赖于多次模型正向传播，时效性较差。

在不确定度引导学习中，通过运用不确定度分量（偶然不确定度与认知不确定度）来引导模型实现不同的优化。其中，偶然不确定度分量反映了数据集合中的固有噪声，一些工作通过将该分量引入到损失函数来提升模型的鲁棒性，在损失函数中对具有较高偶然不确定度的目标分配较低的训练权重，用于惩罚固有噪声从而获得更好的模型性能。在半监督学习等任务中，利用认知不确定度来增强模型对数据的认知性能。但是，无论将哪种不确定度分量用于模型的优化，其都必须从预测分布中建立。但是传统预测分布的建立方法依赖于MC- dropout或附加方差参数的引入，这种低效的方法难以被推广。

综上所述，现有的不确定度评定和不确定度引导学习方法都存在着目标预测分布建立耗时的问题。对于点云这种包含数百万甚至数千万点的海量数据，传统的预测分布建立方法难以适用。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出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，用于实现不确定度感知点云语义分割的框架。

本发明的第二个目的在于提出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装置。

本发明的第三个目的在于提出一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序。

本发明的第四个目的在于提出一种非临时性计算机可读存储介质，其上存储有计算机程序。