[发明专利]一种标签优化点云实例分割方法

说明书

本发明属于点云实例分割技术领域，公开了一种标签优化点云实例分割方法，所述标签优化点云实例分割方法包括：首先使用图卷积神经网路对点云进行特征提取；然后对于训练集建立实例标签矩阵，再使用标签传播算法将实例标签矩阵进行标签传播，得到优化的实例标签矩阵；最后联合标签矩阵与优化的实例标签矩阵对点云进行实例分割。本发明融合点云中点的相似性关系，使得标签矩阵的监督有更好的区分性表示，以获得更好的分割结果。本发明的方法考虑大场景点云模型的全局形状信息及局部特征信息，具有综合全局信息的效果；使用标签传播算法优化标签矩阵，通过将原本数据集标签与优化标签共同作用，提高点云分割结果。

技术领域

本发明属于点云实例分割技术领域，尤其涉及一种标签优化点云实例分割方法。

背景技术

目前，点云的实例分割是指通过对模型特征的采集整合，使用相应的算法，在一定的阈值范围之下识别不同物体之间的异同性。实例分割主要包括点云的特征提取与实例分割的损失函数调参两个主要工作。但现有点云的实例分割方法中，主要分为三种方向：第一种是将点云体素化，利用体素在三维空间的规整性进行卷积，但是缺点在于体素化消耗的运算量较大，体素的精度不高；另一种是投影的方法，将点云投影到二维平面上，利用深度等信息卷积，但是丢失的特征过多；最后一种是直接输入点云数据进行卷积，但是对数据量有较大的需求，计算量相对的也比较大，所以这类方法还有待改进，目前大多数的改进方案都是围绕这一方向进行的实验。因此，亟需一种新的标签优化点云实例分割方法。

通过上述分析，现有技术存在的问题及缺陷为：现有点云的实例分割方法中，卷积神经网络对数据量的要求较大，分割准确度较低，性能有待提高。

解决以上问题及缺陷的难度为：数据集的规模是深度学习绕不开的问题，数据量小导致过拟合，模型无法适用其它数据。现有深度学习分割点云的框架十分限制分割准确度的上限，只能通过各种其它优化方式提升性能，提升有限。解决以上问题及缺陷的意义为：很多领域的数据样本为小数据，如果在这些领域里能够成功应用深度学习技术，就会对这些领域的发展有所助力；而提高模型分割的性能意义在于提高人工智能的视觉领域的精度与准确度。

发明内容

针对现有技术存在的问题，本发明提供了一种标签优化点云实例分割方法，尤其涉及一种基于图卷积神经网路的大场景点云实例分割方法及系统。

本发明是这样实现的，一种标签优化点云实例分割方法，所述标签优化点云实例分割方法包括：首先使用图卷积神经网路对点云进行特征提取，图卷积神经网络提取点云特征可以保证点云数据的平移不变性并且能够加强网络在广义范围内的拓扑特征关联性，为了利用这类特性，本发明在图卷积的过程中参考了CNN卷积中的空洞卷积思想，使得图卷积神经网络能够获得不同广度的拓补关系；然后对于训练集建立实例标签矩阵，再使用标签传播算法将实例标签矩阵进行标签传播，得到优化的实例标签矩阵，标签传播的数据来自同一数据均分的两部分，不会对结果产生外因影响，而内部的标签传播可以获得相似的标签，通过这些数据辅助提升模型的学习；最后联合标签矩阵与优化的实例标签矩阵对点云进行实例分割，深度学习的损失函数是监督模型训练性能的标准，而标签矩阵影响损失函数的值，通过优化的标签矩阵与原标签矩阵相结合的方式优化损失函数，从而进一步优化学习结果。

进一步，所述标签优化点云实例分割方法，还包括：

(1)对于点云R＝{x₁，x₂，...，x_n}，有点x_u，利用最近临界点算法计算距离最近的k个点作为其邻接点，计算点云中的所有点的其邻接点；

(2)对于点云R建图，通过步骤(1)所得点云中点与点之间的邻接关系建立点云R的邻接矩阵A；

(3)计算邻接矩阵A的度矩阵D，利用度矩阵和邻接矩阵计算拉普拉斯矩阵L，并对拉普拉斯矩阵L进行归一化处理，得到归一化的拉普拉斯矩阵L^sym；