[发明专利]一种室外大场景下点云的语义分割方法

权利要求书

1.一种室外大场景下点云的语义分割方法，该方法分为训练阶段和应用阶段，其特征在于，该方法包括以下步骤：

1)训练阶段；

1-1)获取点云训练集；

获取室外大场景下的点云作为训练集，其中训练集中每个点均包含对应的三维坐标，以及该点对应的分类标注结果；

1-2)建立语义分割网络并进行训练，得到训练完毕的语义分割网络；

所述语义分割网络包括依次连接的第一全连接层、编码器层、解码器层和第二全连接层；

语义分割网络的输入为一个批次的维度为N*d的点云，其中，N是该批次所有点的总数，d是该批次中每个点的特征维度；将该批次的点云输入到第一全连接层，得到输入的每个点更多维的特征，然后输出到编码器层；

编码器层每一层对输入的点云进行特征聚合和降采样；每一层特征聚合中，对每一点附近的K个点进行特征的显式编码，并利用注意力机制进行特征聚合，输出四倍维数的聚合点特征；每一层的降采样则对该层完成聚合点特征学习的点进行降采样，每经过一层保留25％的点，其中前两层采用随机采样法，后两层采用逆密度采样法进行采样；

编码器层的输出点云进入解码器层进行特征恢复和上采样，每经过一层特征恢复，聚合点特征维数下降为四分之一；每一层上采样后，点数恢复为输入的点数的四倍；其中，上采样采用考虑到距离权重的类近邻插值，对附近的k’个点进行加权特征；

解码器层的输出结果通过共享的第二全连接层连接到(N,class)，其中class代表待分类的类别总数，得到输出的每个点及该点对应的每个类别的概率，其中概率最高的分类即为语义分割网络输出的该点的分类预测结果；

将每个点的分类预测结果和该点对应的标注结果相对比，利用考虑不同类别点数分布的修改交叉熵损失函数，反传训练网络，训练前向传递的概率类别和标注的差距小于设定阈值且稳定时停止训练，得到训练完毕的语义分割网络；

2)应用阶段；

2-1)获取待进行语义分割的点云；

2-2)将步骤2-1)获取的点云输入步骤1)训练完毕的语义分割网络，该网络的输出对应输入点云中每个点的分类预测结果，该分类预测结果即为步骤2-1)获取的点云最终的语义分割结果。