[发明专利]一种基于动态图卷积和空间注意力的点云语义分割网络

权利要求书

1.一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，包括以下步骤：

输入N个点的F维点云X；

构建局部动态图G＝(V，ε)，其中，G代表利用knn算法为中心点x_i连接邻域点x_i构建的一个代表点云局部结构的有向图，V代表顶点，ε代表边；

定义每个点x_i及它的K个近邻点x_j∈N(x_i)来构建局部有向图结构，该有向图每个节点会指向自身，因此将边缘特征定义为：

e_ij＝h_θ(x_i，x_j)

用最大池化与平均池化相结合的操作将得到K个特征信息e_ij整合为一个特征，作为点x_i的新特征F₁；

在构建局部图时，整个点云会变成一个个独立的分组，利用多层感知机直接对原始输入点云进行处理，用该操作提取出高维全局特征F₂；

因此，GEConv模块的输出为F^out；

且每一层特征提取模块的输入都是之前所有输出特征的拼接结果x′^(l+1)_i；

在提取特征的基础上，引入空间注意力模块；空间注意力模块将输入的特征(F)沿着通道方向分别进行最大池化及平均池化操作，将两项输出在通道维度上进行拼接，然后进行卷积操作，最后通过sigmoid函数得到与输入大小相通的空间注意力图(M_s(F))；

将所有位置的特征在通道维度上与输入特征进行元素乘法，从而有选择性地聚合上下文信息，得到新的特征F′。

2.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述F维点云X表示为：

其中，x₁为点云1，x_n为点云n，为点云本身以及其三维坐标。

3.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述局部图G＝(V，ε)的构建基于每个点周围邻近的K个点。

4.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述K个近邻点x_j∈N(x_i)表示为：

N(x_i)＝{x_j：||x_j-x_i||＜δ，j＝1，2，...，K}

其中||·||表示欧几里得范数。

5.根据权利要求4所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，K个节点特征集合F(x_i，x_j)表示为：

F(x_i，x_j)＝[x_i||(x_i-x_j)]，i＝1，2，...，N，j＝1，2，...，K；

所述点x_i的新特征F₁表示为：

F₁＝Γ(Max(e_ij)+Mean(e_ij))

其中，Γ代表融合Relu操作，Max代表最大池化操作，Mean代表平均池化操作，e_ij代表提取到的特征。

6.根据权利要求1所述的一种用于点云分类分割的动态图语义特征提取方法，其特征在于，所述高维全局特征F₂表示为：

F₂＝M^out＝MLPs(x_i)

其中，M^out为输出特征，x_i为输入点云，MLPs为多层感知机操作。