CN115620287B 一種基于面片上下文特征的室內點云場景語義分割方法 （杭州師范大學）

一種基于面片上下文特征的室內點云場景本發明涉及一種基于面片上下文特征的室提取室內場景中幾何特征一致的點云作為場景注意力機制的Transformer模塊學習場景面片全進行連接融合并利用多層感知器降低場景面片值上采樣將經降采樣后的場景面片分辨率恢復2通過區域增長策略從室內場景點云數據中提取場景面片；采用基于編碼器_解碼器結景面片的局部特征信息，并聚合不同尺度下場景相鄰面片的上下文信息；中間層面片在所述區域增長策略過程中，首先對場景點云數據進行分q<t32.如權利要求1所述的基于面片上下文特征的室內點云場景語義分割方法，其特征在3.如權利要求1所述的基于面片上下文特征的室內點云場景語義分割方法，其特征在一個包括1024維的場景面片全局特征并利用重復操作將其全局特征堆疊成N/16個包括及特征維度為2304維的場景面片特征，并通過多層感知器得到包括256維特征信息的含N/4.如權利要求1所述的基于面片上下文特征的室內點云場景語義分割方法，其特征在機得到包括13維特征信息的N個場景面片并對給每個場景面片分配語義標簽，最終實現大35.如權利要求2所述的基于面片上下文特征的室內點云場景語義分割方法，其特征在于：所述的多尺度特征聚合層提取不同尺度下的面片特征，由面片組成的場景點云特征維度以及通過最大化池函數提取場景面片的全局特征；最后將降采樣面片點云ΠS與pla聚合面片點云∏合并得到場景點云面片表征O代表輸入，其中每個面片pla4[0005]本發明的目的就是提供一種基于面片上下文特征的室內點云場景語義分割方場景面片的全局特征與局部特征進行連接融合并利用多層感知器降低場景面片的特征維5[0008]通過區域增長策略從室內場景點云數據中提取大量場景面片；采用基于編碼器_解碼器結構的點云分割MPTNet網絡進行點云場景的語義分割點云分割MPTNet網絡中的編[0009]本發明提出的基于面片上下文特征的點云分割網絡中采用自注意力模塊以適合聚合不同尺度下場景相鄰面片的上下文信息特征信息并從特征提取角度提升場景分割的[0020]其中，q表示依次添加至面片П中的最后一個采樣點，N表示相應采樣點的法向為閾值參數。[0021]步驟二、基于場景面片表征，采用基于編碼器_解碼器結構的點云分割MPTNet網6[0023]在多尺度特征聚合MPLA層中，輸入的點云場景面片數目為N以及其特征維度為64256維)學習其場景特征信息。為了學習降采樣后場景面片的全局特征，首先利用面片景面片全局特征并利用重復(Repeat)操作將其全局特征堆疊成N/16個包括1024維的場景2304維的場景面片特征，并通過多層感知器得到包括256維特征信息的包括N/16個面片的[0025]在特征擴散層中，首先將數目為N/16以及特征維度為256維的場景面片進行兩次知機得到包括13維特征信息的N個場景面片并對給每個場景面片分配語義標簽，最終實現片s將其加入降采樣面片點云中，依次計算種子面片s的質心坐標與ΠI中剩余面片質心坐過KNN算法從輸入場景面片點云∏I中獲取與其最近鄰的k個面片，由此得到NS個包括k個鄰pla圖4所示的局部特征聚合(PLA)模塊得到N個局部聚合特征的面片其中每plapla個面片包括F維特征信息，再依次通過多層感知器降低面片的特征維度以及通過最大化pla池函數提取場景面片的全局特征；最后將降采樣面片點云∏S與聚合面片點云∏pla合并得7云數據，圖5b是利用上述方法實