1.一种基于点全局上下文关系推理的点云语义分割方法,其特征在于,所述方法包括:
步骤1)获取训练集t和测试集v:
步骤2)构建深度学习与全局上下文推理的3d点云数据语义分割网络:
步骤3)使用多分类的交叉熵损失函数,作为3d点云语义分割网络的损失函数;
步骤4)使用训练集t,对3d点云数据语义分割网络进行p轮有监督的训练,p≥50;
步骤5)将测试集v输入到训练好的网络模型中进行语义分割,得到每一个点的分割结果。
2.根据权利要求1所述的基于点全局上下文关系推理的点云语义分割方法,其特征在于,所述步骤1)包括:
1a)获取3d点云数据,其中,包含271个不同房间的6个区域的3d点云数据;选择第5区作为测试集v,其余5个区作为训练集t。
1b)从点云训练集t中随机下采样l个点,其中,点云表示为
3.根据权利要求1所述的基于点全局上下文关系推理的点云语义分割方法,其特征在于,所述步骤2)包括构建特征提取网络、回传网络的深度学习和全局上下文推理的3d点云数据语义分割网络,其中:
2a)特征提取网络
所述特征提取网络,包括m个级联的特征提取模块pointsa,所述pointsa模块包括依次级联的采样模块、分组模块、点集特征提取模块,m≥2;
2b)特征回传网络
所述特征回传网络,包括m个级联的fp模块,每个fp模块包括依次级联的特征插值层和特征整合层。其中,m≥2;
2c)点全局上下文推理模块
所述点全局上下文推理模块,模块内部由节点注意模块与图卷积模块实现;首先使用节点注意模块建模全局特征依赖关系,然后用图卷积模块对该图进行全局推理;所述点全局上下文推理模块用于计算各个特征通道间所代表的类别依赖性,得到通道注意力加强后的特征e:计算自身输入数据x的各个特征通道之间关系的深层特征并输出v。
2d)分割网络
所述分割网络,包括依次层叠的第一全卷积层、dropout层和第二全卷积层的分割网络。
4.根据权利要求1所述的基于点全局上下文关系推理的点云语义分割方法,其特征在于,所述步骤3)中使用多分类的交叉熵损失函数,作为3d点云语义分割网络的损失函数loss:
其中,k表示标签值的个数,yi,k表示第i样本,pi,k表示第i个样本预测为第k个标签值的概率,一共有n个样本。本实施例中采用的s3dis数据集的类别标签有13个,即k=13。
5.根据权利要求1所述的基于点全局上下文关系推理的点云语义分割方法,其特征在于,所述步骤4)中使用训练集t,对3d点云数据语义分割网络进行p轮有监督的训练,p≥100;
4a)将训练集t输入到定义好的网络中,并通过使用loss损失函数对该网络进行p轮有监督训练;其中,每隔10轮用6折交叉验证评估一次该轮模型的效果,将精度较高的模型进行保存。
4b)p轮训练结束后,将精度最高的网络模型作为训练得到的最佳网络模型。
6.根据权利要求1所述的基于点全局上下文关系推理的点云语义分割方法,其特征在于,所述步骤5)中将测试集v输入到上一步训练好的网络模型中进行语义分割,得到每一个点的分割结果。