[发明专利]基于自监督学习的旋转鲁棒的点云分类方法

说明书

本发明提供一种基于自监督学习的旋转鲁棒的点云分类方法，所述的方法包括如下：S1：获取三维点云数据，对三维点云数据进行预处理，得到三维点云的三维坐标序列；S2：将三维点云的三维坐标序列输入预设的自监督学习网络进行训练，训练好的自监督学习网络中的骨干网络输出为对应三维点云模型的高维表征；S3：将三维点云进行多次空间变换，得到多个模型并输入S2训练好的骨干网络，每个模型得到对应的三维点云的高维表征；S4：结合通过步骤S3得到的多个高维表征得到最终表征，并用最终表征和对应的类别标注信息有监督学习得到网络参数，根据网络参数生成目标分类器；S5：在预测阶段，将待分类的三维点云模型预处理后，输入目标分类器完成点云分类。

技术领域

本发明涉及三维点云识别和特征学习技术领域，更具体地，涉及一种基于自监督学习的旋转鲁棒的点云分类方法。

背景技术

点云在计算机视觉、自动驾驶、机器人等领域有着广泛的应用，近年来受到越来越多的关注。深度学习作为人工智能中的一种主流技术，已经成功地应用于解决各种二维视觉问题。然而，由于用深度神经网络处理点云所面临的独特挑战，对点云的深度学习仍处于起步阶段。随着Qi等人提出pointnet[Charles R Qi,Hao Su,Kaichun Mo,and Leonidas JGuibas.Pointnet:Deep learning on point sets for 3d classification andsegmentation.In Computer Vision and Pattern Recogni-tion,pages652–660,2017]，创新的解决了点云数据无序性的问题，各类用于点云深度学习的算法层出不穷。

减少数据标注成本已经成为深度学习领域一个不可回避的研究课题，最近，何凯明等人提出的自监督算法MoCo[He,Kaiming,et al.Momentum contrast forunsupervised visual representation learning.Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition.2020]，表现出了优异的性能，使得自监督学习这一领域火热起来。自监督学习主要是利用辅助任务从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。考虑到三维数据标注的人工成本，研究如何用自监督学习方法在大量激光雷达扫描得到的无标注数据上学习表征意义重大。

点云的深度学习网络应该具有一定的鲁棒性，以便应用到现实的场景中。然而，当前的大部分点云深度学习网络并不能很好的平衡性能和算法的健壮性，许多在对齐数据集上性能优异的网络，基本上无法正确分类扰动后的数据，即使进行旋转相关的数据增强，网络的泛化性能也会大幅度降低。另一方面，某些研究专注于设计具有旋转不变能力的网络，通过获取点云数据中旋转不变的特征实现，但因为这个过程中信息的损失，性能稍有下降。

现有技术之一，通过逐点变换实现无监督图神经网络共变特征学习[Gao,Xiang,Wei Hu,and Guo-Jun Qi.GraphTER:Unsupervised learning of graph transformationequivariant representations via auto-encoding node-wise transformations.Proceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2020]，提出了一种基于图的自动编码器网络。该网络对原始图和变换后的图进行编码，以便可以从这两种特征表示中重建出图信号上的变换。具体为通过预测图的变换，如平移、剪切、旋转，实现自监督学习，得到点云的表征，应用到分类任务时需要固定骨干网络的参数，有监督地训练分类器。

然而该方法的旋转鲁棒性较差。即使经过任意旋转的数据增强，对输入的三维点云数据进行任意旋转后，测试集的分类准确率会下降，也即网络的泛化能力下降。