[发明专利]一种基于主动学习和半监督的三维点云语义分割标注方法

权利要求书

1.一种基于主动学习和半监督的三维点云语义分割标注方法，所述三维点云语义分割标注方法应用于自动驾驶技术领域，其特征在于，包括如下步骤：

S1：利用构造的点云匹配评分函数，从原始点云数据集中获得一个代表性子集；所述的S1为：

S11：给定一个包含n帧点云的序列S＝{s₁,s₂,…,s_n}，将s₁作为当前目标帧，s₂作为当前输入帧；

S12：利用NDT算法计算目标帧和输入帧的匹配分数score_match；

如果score_match小于某设定阈值δ_match，就将当前输入帧从序列中删除，接着将序列中的下一帧作为当前输入帧，重复S12；

如果score_match不小于某设定阈值δ_match，则在序列中保留当前输入帧，并以当前输入帧作为下一次匹配的目标帧，接着将序列中的下一帧作为下一次匹配的输入帧，重复S12进行下一次匹配；

S13:序列内所有帧点云完成匹配后，结束S12，得到代表性子集S′＝{s′₁,s′₂,…,s′_m}；

S2：将代表性子集中的每帧点云分割成若干个小的区域，生成分割区域；

所述的S2为：

S21：使用VCCS算法对代表性子集中的每帧点云进行处理，生成几何约束的超体素；

S22：利用LCCP算法对超体素邻接图进行分割，通过CC准则和SC准则判断两个超体素之间的凹凸连接关系；当两个准则判定两个超体素的关系都为凸时，才将两个超体素间的关系判定为凸连接；根据判定结果，将具有凸连接关系的超体素归为同一个类别；这些归属为同一凸连接关系的超体素通过区域增长算法聚合成更大的分割区域；将得到的分割区域，作为基础标注查询单位；

S3:计算分割区域信息度，即利用softmax信息熵和点云强度，计算分割区域的信息度；

所述的S3为：

S31：从未标注数据集D_U中随机选出一定比例的数据进行标注，构成初始的标注数据集D_L，然后利用此初始标注数据集训练神经网络；

S32：利用训练的神经网络预测未标注数据集D_U中的数据，由此可获得未标注数据集D_U中每个点x_i属于第j类别的概率：p(y_i＝j|x_i)；接着计算第n块分割区域R_n的区域信息熵E_n，

其中，分割区域R_n包含N个点，Θ表示神经网络参数；

S33：计算第n块分割区域R_n的区域强度值I_n，即通过平均计算分割区域R_n内每个点的强度值获得，

其中ρ_i是一个点的强度值；

S34：在得到每个分割区域的softmax信息熵值E_n和强度值I_n后，通过线性组合可以获得第n块分割区域的信息度值σ_n

σ_n＝αE_n+βI_n

其中α和β权重参数；

S35：得到所有分块区域的降序排列值列表σ：

σ＝(σ₁，σ₂…，σ_n)；

S4:根据计算出的每块区域信息度，筛选出信息度高的K个区域进行人工标注；得到标记子集D_L和未标注子集D_U；

S5：利用标记子集D_L对神经网络进行多轮训练；在所需的训练轮次，利用训练后的神经网络对未标注子集D_U中的分割区域块进行预测，根据预测得到的分割区域块在两个分类类别之间的概率差值S_mar判断是否将该分割区域块赋以伪标签，将赋以伪标签的分割区域D_pseudo从未标记子集D_U中拿出并添加到标记子集D_L，并进行下一轮训练；

所述的S5中：

根据概率差值S_mar进行降序排列，获得一个降序列表

从列表中选择前M个分割区域来分配伪标签；将这些赋以伪标签的分割区域D_pseudo从未标记子集D_U中拿出并添加到标记子集D_L中；

其中，伪标签的定义如下：

δ_H为设定阈值。