[发明专利]基于多视角图结构特征注意力卷积的点云语义分割方法

权利要求书

1.基于多视角图结构特征注意力卷积的点云语义分割方法，其特征在于，所述方法包括：

S1、获取点云数据；

S2、将点云数据输入编码器网络，提取点云数据的多尺度特征，编码器网络包括五个依次连接的编码器层，每个编码器层包括采样层和多视角图结构特征注意力卷积层；

采样层对点云进行采样，将采样点作为参考点，获取参考点的邻域点，构建参考点的邻域图；

多视角图结构特征注意力卷积层包括图结构特征注意力分支和多视角空间特征分支；

将参考点及其邻域点同时输入至图结构特征注意力分支和多视角空间特征分支；

图结构特征注意力分支根据参考点及其邻域点，计算相对邻域点坐标集合和相对邻域点特征集合，将相对邻域点特征集合输入多层感知机MLP 1，将多层感知机MLP 1输出的特征向量与相对邻域点坐标集合连接，并输入多层感知机MLP 2和softmax组成的函数中，学习图结构特征注意力权重G_a，同时将相对邻域点坐标集合和相对邻域点特征集合同时输入多层感知机MLP 3，获得特征向量G₁，并将G_a与G₁进行逐元素相乘，将乘积输入至多层感知机MLP 4中，该多层感知机MLP 4输出图结构特征注意力分支的输出特征向量G_out；

多视角空间特征分支根据参考点及其邻域点计算相对邻域点坐标集合，将相对邻域点坐标集合分别投影到X-Y、X-Z和Y-Z平面，获得3个平面的相对坐标集合，将3个平面的相对坐标集合分别输入多层感知机MLP 5、多层感知机MLP 6、多层感知机MLP 7，将3个多层感知机MLP的输出特征向量进行连接，再输入至多层感知机MLP 8，多层感知机MLP 8输出多视角空间特征分支的输出特征向量M_out；

将输出特征向量G_out和输出特征向量M_out连接，并输入多层感知机MLP 9中，多层感知机MLP 9的输出进行最大池化操作，获得多视角图结构特征注意力卷积的输出特征向量F_out，为点云数据的多尺度特征；

S3、将输出特征向量F_out输入至解码器网络，获得与S2中点云数据相同点数的特征向量；

S4、将S3获得的特征向量输入到多层感知器MLP 10中，获得点云数据中每个点的最终语义标签；

所述采样层利用最远点采样法对点云进行采样，将采样点作为参考点V＝{p₁,p₂,…,p_N}，以参考点为圆心，以特定半径构建球形邻域，在球形邻域范围内随机采样，得到参考点的K个邻域点H(i)是参考点p_i的邻域，构建参考点V的邻域图G(V,E)，边点云中的任一点p_i均可被分为坐标部分和特征属性部分

图结构特征注意力分支获取图结构特征注意力权重G_a的方法：

其中，g_ji表示图结构特征注意力权重，是邻域点p_j的空间坐标，是参考点p_i的空间坐标，是邻域点p_j关于参考点p_i的相对坐标，是邻域点p_j的特征属性，是参考点p_i的特征属性，Δf_ji是邻域点p_j关于参考点p_i的相对特征；M_δ是输入通道数为C、输出通道数为1的多层感知机MLP 1，M_ρ是输入通道数为4、输出通道数为C1的多层感知机MLP 2；⊕是连接操作，H(i)表示关于参考点p_i的邻域；

G_ij是图结构特征注意力权重，所有邻域点p_j关于参考点p_i的图结构特征注意力权重G_ij的集合为K为邻域点的个数,N为参考点的个数。

2.根据权利要求1所述的基于多视角图结构特征注意力卷积的点云语义分割方法，其特征在于，将特征向量和特征向量连接，获得特征向量并输入至输入通道数为6+C1、输出通道数为C2的多层感知机MLP 9中，进行最大池化，获得特征向量