[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

说明书

本发明公开了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，该方法首先利用构造的点云匹配评分函数，挑选出一个具有代表性的子集。然后利用两种无监督算法，将一帧点云分割成若干个小的区域。在每次主动学习循环中，先计算每个小区域的点云强度信息值和信息熵，再从中选出二者和值中较大的若干个区域进行人工标记。为了有效利用未标注数据，借助无监督学习方法，选择相对当前模型而言置信度较高小区域赋以伪标签。最后将伪标签数据和人工标记数据一起输入给深度语义分割模型进行网络训练。由此能够极大地提升标注效率，减少人工标注成本。

技术领域

本发明涉及自动驾驶技术领域，具体涉及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。

背景技术

近年来，随着计算机视觉、人工智能以及遥感测绘等技术的发展，三维目标检测、同时定位和建图、三维重建、语义分割等技术日渐成熟，点云的数据量增长迅速，人们对于点云数据高级语义理解方面的需求也与日俱增。点云语义分割Point Cloud SemanticSegmentation(PCSS)作为点云数据处理和分析的关键基础技术，在机器人、遥感以及自动驾驶领域有着广泛的应用。近年来，借助深度学习技术，点云语义分割任务取得了重大突破，并成为研究热点。特别是在过去五年，一些公开的点云语义分割数据集也被发布，例如ScanNet，S3DIS，SemanticKITTI，许多基于深度学习框架的新奇点云语义分割方法被提出，这些方法在数据集上表现出优异的性能，使得点云分割精度的榜首一次又一次被刷新。

为了确保模型拥有优异的性能，深度学习通常需要从大量标注的数据中提取知识，优化大量的参数。但是，相比标注数据的规模，模型的性能还没有饱和。而且，标注数据大量数据会花费巨大人力和时间，且有时只能相关专业人士才能标注数据。另外标注成本也会根据不同目标任务变化巨大。例如在标注过程中，在2D图像上选择一个封闭的多边形区域，获得语义标注的操作是相对低成本的，但是逐点标注3D点集数据花费的成本较大。更重要的是，3D点云数据通常是无序且稀疏的，且一帧点云通常包含点数不低于10万个，增加了点云标注的困难性。因此如何进行高效、低成本地标注点云是当前运用人工智能进行点云数据处理和分析地关键。

发明内容

鉴于上述，本发明提供了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和装置，该方法利用点云独特的三维几何信息与帧间时序关系，将主动学习与传统建图、定位方法相结合，对点云进行挑选和标注。具体而言，在本发明中，分别对代表性、多样性和不确定性这三个主动学习中被广泛关注的因素进行考虑，结合点云这种数据模态的特殊性质，提出了一种多粒度的样本挑选和标注方案。

本发明提供的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，其包括如下步骤：

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；

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；

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；

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(Top-K)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。

作为本发明的优选方案，所述的S1为：