[发明专利]基于竞争注意力融合的深度三维点云分类网络构建方法

说明书

本发明公开了一种基于竞争注意力融合的深度三维点云分类网络构建方法。首先对原始点云预处理得到输入点云，接着经过两层竞争性注意力融合特征抽象层提取高维特征，最后送入分类器获得分类得分。其中竞争性注意力融合特征抽象层，首先通过特征提取层获得输入数据的高维特征，然后将其与原始输入数据一同送入CAF模块进行特征融合，并将融合特征作为模块输出。本发明的核心CAF模块关注不同层级全局特征的提取与融合，度量特征内在相似度，CAF模块可以嵌入式应用于不同点云分类网络，具有可迁移性和可拓展性，提高了网络全局特征的表达能力，对加强模型抵抗噪声的鲁棒性有明显帮助。

技术领域

本发明涉及一种基于竞争注意力融合的深度三维点云分类网络构建方法，属于计算机视觉中的三维点云分类技术领域，尤其适用于含有噪声干扰的点云分类任务。

背景技术

在计算机视觉应用中，对二维图像的分析处理有时不能满足实际应用的需要。三维点云数据极大程度上弥补了许多应用场景中二维图像对于空间结构信息的缺失。随着深度学习和神经网络的发展，关于三维点云的研究从低维几何特征转向高维语义理解。近年的许多研究采用基于深度神经网络的学习方法，这类方法依据不同的三维数据表达方式又可以分为：基于手工特征预处理、基于多视图、基于体素和基于原始点云数据的方法。

原始三维数据表达简单，更能展现物体的原始立体表征，将三维点云作为输入避免了在卷积网络中输入多视图、体素这类规则化数据造成的不利因素，如不必要的体积划分和对点云数据不变性的影响。受采集设备以及坐标系影响，得到的三维点云数据的排列顺序差别很大。针对无序点云数据的分类和分割问题，PointNet网络开创性地提出直接处理稀疏的非结构化点云，使用多层感知器和最大池化获取全局特征。此后研究者提出了许多以PointNet为基础的网络框架，比如PointNet++、PCPNet、SO-Net等等。此外，对于三维点云数据处理于分类分割问题，另有研究提出了PointCNN、DensePoint、Point2Sequence、A-CNN、PointWeb等知名网络框架，也有其他一些方法采用图卷积网络学习局部图或几何元素，但这些方法也存在问题，如缺少从局部到全局的显示语义抽象，或是会导致较大的复杂性。

深度三维点云分类网络常对点云特征提取中的主要矛盾进行研究，其目的大多在于提高模型分类精度和效率，加强鲁棒性等。其中，优化特征提取能力和提高对扰动、离群值、随机噪声等干扰因素的抵抗能力是点云处理任务中两个极为重要的研究热点，也是亟待解决的关键问题，对三维点云分类任务及其应用具有十分重要的影响。

发明内容

技术问题：为了提高三维点云深度网络分类模型对全局特征的提取与表达能力，增强模型对噪声干扰的鲁棒性，本发明提供一种基于竞争注意力融合的深度三维点云分类网络构建方法。其核心技术在于提供了一个CAF模块(即竞争性注意力融合模块，英文名称为Competitive Attention Fusion Block，简称CAF模块)，学习多层级特征的全局表征和中间特征内在相似度，对中间特征通道权值重分配。该模块具有独立性和可迁移性，具有较好的全局特征提取能力，聚焦更利于三维点云形状分类的核心骨干特征，一定程度上抵御了点云扰动、离群点噪声、随机噪声的影响。

技术方案：为了实现上述目的，本发明采用的技术方案为：

一种基于竞争注意力融合的深度三维点云分类网络构建方法，包括以下步骤：

步骤1：对原始点云数据进行预处理；

步骤2：构建CAF模块，形成竞争性注意力融合特征抽象层；

步骤3：堆叠两层竞争性注意力融合特征抽象层，构建深度三维点云分类网络；

步骤4：将第二层竞争性注意力融合特征抽象层最终输出的高维特征送入分类器，得到分类结果。

进一步的，所述步骤1中对原始点云数据进行预处理包括以下步骤：