[发明专利]一种基于轻量级神经网络的大规模点云语义分割方法

权利要求书

1.一种轻量级神经网络点云语义分割方法，其特征在于，包括以下步骤：

S1、预处理数据集，对点云进行栅格化和规范化处理，输出可批处理的输入点云集；

S2、构建语义分割网络模型。所述的语义分割神经网络模型包括：特征提取网络和特征传播网络。所述特征提取网络用于提取三维点云的全局特征和局部特征，包括最远点采样、分组模块以及局部非局部模块；局部非局部模块通过局部模块提取局部特征、非局部模块提取全局特征，然后通过局部-非局部融合模块将局部特征与全局特征融合。所述特征传播网络通过插值和跳连将特征从采样点传播到原始点，最后经过卷积层和最大池层得到对应点云中各点属于各个语义类别的概率；

S3、构建损失函数训练并优化模型，保存模型参数。

2.根据权利要求1所述的轻量级神经网络点云语义分割方法，其特征在于，所述的局部模块包含3层多层感知机层(MLP)，将局部点模式编码为特征模式。

3.根据权利要求1所述的轻量级神经网络点云语义分割方法，其特征在于，非局部模块在关键点的卷积层后添加金字塔采样池以降低大矩阵乘法的计算时间复杂度，从而查找点与关键点的处理形成非对称的结构，通过非局部模块可以提取点云的全局特征。

4.根据权利要求1所述的轻量级神经网络点云语义分割方法，其特征在于，局部-非局部融合模块将局部特征与全局特征进行矩阵加法后经过MLP层和最大池层得到最好特征。

5.根据权利要求1所述的轻量级神经网络点云语义分割方法，其特征在于，训练阶段，计算和更新当前的网络权重参数，加权重的多类别焦点损失函数为：

其中，FocalLoss是焦点损失函数，f_l(x)是softmax函数，a_l(x)为分割网络输出特征图中对应x点属于类别l(x)的概率，C表示语义类别的数目，w_l(x)表示x点属于语义类别l(x)的权重，N为数据集中点的总个数，N_l(x)表示类别为l(x)的点的个数，γ是焦点超参数，γ≥0。