[发明专利]基于元学习的三维点云分类算法自动选择方法

权利要求书

1.一种基于元学习的三维点云分类算法自动选择方法，其特征在于，包括：

确定待选点云分类算法集合；

提取点云全局特征，完成点云分类；

提取点云数据集元特征，构建元数据；

选择元分类器，利用元数据训练元分类模型；

对新场景下的目标点云数据集，进行最优分类算法预测。

2.根据权利要求1所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述确定待选点云分类算法集合，包括：

所述待选点云分类算法集合从基于特征的机器学习方法和基于深度学习的方法中选择。

3.根据权利要求2所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，提取点云全局特征，完成点云分类，包括：

根据所选择的点云分类算法，分别构建基于机器学习和深度学习的点云分类算法模型；

根据已构建的点云分类算法模型，提取点云全局特征，完成点云分类。

4.根据权利要求3所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述提取点云数据集元特征，构建元数据，包括：

所述点云数据集元特征包括点云类数、点云样本数、点云点数和点云类的熵H(p)

其中，n表示点云类数，p_i表示第i类点云样本占全体总样本数的概率。

5.根据权利要求4所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述元数据由数据集元特征和该数据集下的最优分类算法共同构成。

6.根据权利要求5所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，最优分类算法的获取过程，包括：

通过点云分类算法模型对点云数据集进行分类；

获取每一分类算法的至少一项参数；

通过上述参数计算并选取性能最优的点云分类算法，作为最优分类算法。

7.根据权利要求6所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，最优分类算法的获取过程，所述参数包括每一分类算法的准确度、每一分类算法的运行时间、每一分类算法的F1得分，通过以下公式计算：

其中，TP代表真正例，TN代表真反例，FP代表假正例，FN代表假反例，F1代表每一分类算法F1得分，它是模型精确度和召回率的一种加权平均，在数据集不平衡时更能反应算法性能，ACC代表每一分类算法的准确度。

8.根据权利要求1所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述元分类器配置为，使用随机森林和提升算法，以元数据作为输入，通过交叉验证对元分类模型进行训练，使用准确度来对模型性能进行衡量。

9.根据权利要求1所述的基于元学习的三维点云分类算法自动选择方法，其特征在于，所述对新场景下的目标点云数据集，进行最优分类算法预测，包括：构建目标元数据，通过训练好的元分类器预测目标数据集下的最优分类算法。