[发明专利]基于深度学习的时序点云数据增强方法

说明书

本发明公开了一种基于深度学习的时序点云数据增强方法，包括：1)按采集的时间顺序对点云进行排序；2)抽取k个点云作为原始样本，并指定网络的总共迭代次数为T，网络包含增强器和分类器；3)将原始样本输入到增强器中进行数据增强，得到增强样本；4)将原始样本与增强样本输入到分类器中，利用分类器的分类结果得到分类损失值与增强损失值；5)利用分类损失值与增强损失值，采用反向传播算法更新增强器与分类器的参数，若网络的迭代次数t小于网络的总共迭代次数T，则跳转至步骤2)，否则终止训练，得到最终的分类器参数。本发明为使用时序点云作为输入样本的深度学习模型提供一种数据增强方法，缓解深度学习模型的过拟合情况，协助对点云进行分类的任务。

技术领域

本发明涉及三维点云与数据增强的技术领域，尤其是指一种基于深度学习的时序点云数据增强方法。

背景技术

点云是由反映目标表面特征的点构成的集合，在自动驾驶、三维重建、虚拟现实等领域中有着广泛的应用。点云中的点通常包含三维坐标信息，还可能包含信噪比、多普勒或颜色等信息。目前，深度学习方法是进行点云的分类等工作的主流方法之一，但是这种方法一般需要大量的点云样本。受限于样本采集造成的人力物力的消耗，人们经常会遇到样本不足的问题。在训练深度学习网络模型时，样本不足会使得模型发生过拟合的现象，降低模型的泛化能力。因此，有必要采取措施缓解模型过拟合。增加训练样本是一种有效的对抗过拟合的方法，通过让模型学习尽可能多的样本，使模型能够更好地理解现实中的数据分布，提高模型的泛化能力。但是采集、清洗、标注大量样本往往需要耗费人力物力，有些样本还有采集或标注上的困难。为解决这个问题，我们需要对点云数据进行数据增强。

数据增强是一种从现有的、真实的样本生成新样本的方法，能够增加训练样本，在一定程度上提升模型的泛化能力。随着深度学习的发展，自动数据增强方法被应用到点云的数据增强领域中。PointAugment是首个在点云上应用自动数据增强方法的深度学习模型。

由于真实应用场景下所采集的点云很多是处于运动状态中的目标生成的，本专利的出发点是利用运动状态的时序性对点云进行数据增强。本专利结合了基于深度学习的自动数据增强方法，利用时序点云的时序性，提出了一种基于深度学习的时序点云数据增强方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的时序点云数据增强方法，将数据增强首次拓展到具有时序性的点云数据上，为使用时序点云作为输入样本的深度学习模型提供一种数据增强方法，缓解深度学习模型的过拟合情况，协助对点云进行分类的任务，操作简单、适应性强，具有广阔的应用前景。

为实现上述目的，本发明所提供的技术方案为：基于深度学习的时序点云数据增强方法，包括以下步骤：

1)按采集的时间顺序对点云进行排序，形成具有时间顺序的点云，指定点云点数数目为n，并将每个点云的点数固定为n，对每个点云中的点进行排序；

2)从步骤1)得到的具有时间顺序的点云中，抽取k个点云作为原始样本，并指定网络的总共迭代次数为T，其中所述网络包含增强器和分类器；

3)将步骤2)得到的原始样本输入到增强器中，设定增强器对样本中的每个点云进行数据增强的概率为p_aug，使增强器对样本中的每个点云以p_aug的概率进行数据增强，得到的样本称为增强样本；

4)将步骤3)得到的增强样本与对应的原始样本输入到分类器中，利用分类器的分类结果得到分类损失值L_C与增强损失值L_A；

5)利用步骤4)得到的分类损失值L_C与增强损失值L_A，采用反向传播算法更新增强器与分类器的参数，若网络的迭代次数t小于网络的总共迭代次数T，则跳转至步骤2)，否则，终止训练，得到最终的分类器参数。