[发明专利]一种获取全波形激光雷达高分辨率数据的深度学习方法

权利要求书

1.一种获取全波形激光雷达高分辨率数据的深度学习方法，其特征在于：包括如下步骤：

步骤一：基于深度学习中的残差方法构建网络架构模型；

步骤二：网络架构模型读取.txt格式的全波形激光雷达数据；

步骤三：对于步骤二读取的原始全波形激光雷达数据，进行原始全波形激光雷达数据预处理，数据预处理将原始全波形激光雷达数据序列每n个邻近点求和后取均值生成一个新数据点，得到一段长度为原始全波形激光雷达数据1/n的新全波形激光雷达数据序列；

步骤四：构建网络架构模型的残差堆叠模块，采用残差加卷积的方法提取步骤三生成的新全波形激光雷达数据序列的波形特征，该步骤涉及的卷积操作方式为conv1d，即一维单方向的卷积操作；

步骤五：基于残差神经网络跳跃连接方法，将残差堆叠输入节点与输出节点连接；

步骤六：对于残差堆叠模块的最后一层卷积输出后的数据进行上采样处理；

基于像素重排映射方法，将最终经过多层残差块堆叠，卷积输出后的数据，采用图像处理中的像素重排映射方法进行上采样，若数据预处理将原始全波形激光雷达数据序列每n个邻近点求和后取均值生成一个新数据点，则时空分辨率的提升尺度为n，最后一层卷积核的数目也为n，使得经过卷积得到的数据点数与上采样输出期望的数据点数相匹配，最后一一映射至相应位置得到输出的一维波形序列；

步骤七：定义并计算损失函数Loss；

定义该网络的损失函数为步骤六输出的新一维波形序列与输入的一维波形序列对应位置上数据的绝对值差值并累加求均值，计算初轮数据输入后的Loss数值；

步骤八：预设网络架构模型迭代轮数，进行训练优化；

训练过程以优化损失函数Loss为目的，在各项参数设定合理的情况下，Loss将逐步降低并收敛至较小值；

步骤九：保存训练时损失函数最小，训练效果最好的网络架构模型，应用该模型处理原始全波形激光雷达数据，可提升全波形激光雷达数据序列的时空分辨率。

2.如权利要求1所述的一种获取全波形激光雷达高分辨率数据的深度学习方法，其特征在于：单个残差块由conv1d卷积层-激活函数-conv1d卷积层构成，多个残差块构成网络架构模型的残差堆叠模块。