[发明专利]使用深度学习对非欧式3D数据集的自动语义分割

权利要求书

1.一种用于点云的语义分割的计算机实现的方法，包括：

接收点云，所述点云包括由3D空间中的向量表示的点，所述点表示预定对象，优选地是牙颌面结构的部分，所述牙颌面结构包括牙列，所述牙列包括牙齿；

使用非均匀重采样算法确定点云的一个或多个子集，所述一个或多个子集中的每一个子集包括在点云的选定点的预定空间距离内排列的第一数量的点和在大于所述预定空间距离的空间距离处排列的第二数量的点，所述第一数量的点表示对象在选定点周围的一个或多个精细特征，所述第二数量的点表示对象的一个或多个全局特征；

将点的一个或多个子集中的每一个子集提供给深度神经网络DNN的输入，所述深度神经网络被训练为根据与对象关联的多个类别对提供给DNN的输入的所述一个或多个子集中的每一个子集的点进行语义分割；以及

对于提供给DNN的输入的子集的每个点，在DNN的输出处接收多元素向量，其中，向量的每个元素表示该点属于对象的所述多个类别中的一个的概率。

2.根据权利要求1所述的方法，其中，所述非均匀重采样算法包括：

从所述点云中随机选择点；

通过对点云中定位在距随机选择的点预定距离内的点进行采样来确定所述第一数量的点，并且通过对点云中定位在距随机选择的点大于所述预定距离的距离处的点进行采样来所述确定第二数量的点；

将第一点和第二点组合成点的子集。

3.根据权利要求1和2所述的方法，其中，所述预定空间距离是基于随机数确定的，优选地是基于蒙特卡罗技术确定的。

4.根据权利要求1-3中任一项所述的方法，其中，所述空间距离基于加权距离函数，优选地，所述加权距离函数是指数函数，更优选地，所述加权距离函数根据以下表达式限定径向基核K(RBK)：

其中，参数σ是自由参数，能够用于控制核的带宽，x_i是点i的位置，x_fovea是随机选择的点的位置。

5.根据权利要求1-4中任一项所述的方法，其中，所述DNN是基于包括一个或多个点云的训练集而训练的，所述一个或多个点云中的每一个点云表示预定对象，并且所述一个或多个点云中的每个点与目标标签相关联；优选地，DNN的训练包括：使用非均匀重采样算法确定所述一个或多个点云的子集，并通过最小化损失函数来训练DNN的参数，所述损失函数表示由DNN预测的标签与目标标签之间的偏差。

6.根据权利要求5所述的方法，其中，所述损失函数是加权损失函数Lp，所述损失函数基于加权距离函数限定每个点的权重，优选地，所述加权距离函数基于指数函数，更优选地，所述加权距离函数根据以下表达式限定径向基核K(RBK)：

其中，参数σ是自由参数，可以用于控制核的带宽，x_i是点i的位置，x_fovea是随机选择的点的位置。

7.根据权利要求1-6中任一项所述的方法，其中，所述DNN是基于鉴别器网络训练的，其中，所述鉴别器网络被配置为区分目标标签和由DNN生成的标签；优选地，反馈模块将目标标签或由所述DNN生成的标签随机地提供给所述鉴别器网络的输入，并且作为响应，所述鉴别器网络生成鉴别器的输入是与目标标签相关联还是与由DNN生成的标签相关联的指示。

8.根据权利要求1-7中任一项所述的方法，其中，所述DNN包括一个或多个多层感知器MLP网络和/或pointCNN网络的一个或多个χ-Conv算子层。