一种基于软邻居聚合的点云分析方法

本发明涉及神经网络结构设计，尤其是涉及一种基于软邻居聚合的点云分析方法。

背景技术：

1、近年来，随着人工智能以及深度学习的发展，神经网络在点云分析中得到广泛的应用，并达到很好效果。基于点的点云处理方式是目前点云分析中所使用的主流方法，例如文献[1]qian,g.,li,y.,peng,h.,mai,j.,hammoud,h.,elhoseiny,m.,&ghanem,b.(2022).pointnext:revisiting pointnet++with improved training and scalingstrategies.advances in neural information processing systems,35,23192-23204.对于点云分析神经网络结构以及训练策略做出了改进，极大的提升性能。[2]lin,h.,zheng,x.,li,l.,chao,f.,wang,s.,wang,y.,...&ji,r.(2022).meta architecture forpoint cloud analysis.arxiv preprint arxiv:2211.14462.通过对现有点云分析神经网络的分析，经过完备的实验，提出一种新的点云分析神经网络结构，在低计算资源消耗的同时提升性能。

2、在基于点的点云分析方法所使用的网络中，邻居聚合模块是重要的组成模块之一。在点云分析神经网络中，常用最大池化函数对各个节点的多个邻居节点进行信息聚合。虽然最大池化函数十分简单，但其缺点是难以有效利用点云中一点的所有邻居点的信息，从而造成信息损失，影响点云分析神经网络的性能。

技术实现思路

1、本发明的目的在于针对最大池化函数在点云分析的邻居聚合过程中造成信息损失等问题，提供可在3d分割任务中达到更好性能的一种基于软邻居聚合的点云分析方法。

2、本发明包括以下步骤：

3、1)使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征；

4、2)使用swt模块对点云中各个点的邻居点特征进行聚合；

5、3)使用神经网络对每个swt所汇集到的特征进行增强；

6、4)使用解码器将特征映射回原空间，输出结果。

7、在步骤1)中，所述使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征的子步骤为：

8、(1)使用单层一维卷积操作对点云中各点信息进行更新，如下：

9、fi′＝mlp1(fi)

10、式中，fi为第i个节点所包含的信息，mlp1为单层一维卷积操作，fi′为使用单层一维卷积操作对点云中各点信息更新后的第i个节点所包含的信息；

11、(2)对邻居点信息进行使用球形查询分组，实现为对于点云中的每个点，选取在以该点为球心，某常数为半径的球体内部的所有节点作为该点的邻居节点，如下：

12、fn(i)，pn(i)＝group(fi，pi)

13、式中，fi为第i个节点所包含的信息，pi为第i个节点的位置嵌入，group为分组操作，fn(i)为点云中第i个节点的所有邻居节点所包含的信息，pn(i)为点云中第i个节点的所有邻居节点的位置嵌入。

14、在步骤2)中，所述swt模块具体表示为一个带有温度系数的softmax函数；swt模块的输入为点云中某个节点的所有邻居节点信息及位置嵌入，对此节点的各个邻居节点输入一维张量的每个对应位置，依次使用带有温度系数的softmax函数进行处理，得到信息聚合完成后的一维张量作为输出；在训练过程中，使用可训练的温度参数调整softmax函数对某一节点的不同的邻居点的信息聚合比率；相对于常在邻居聚合模块被采用的最大池化函数而言，swt模块可强化对点云中每个点的邻居节点的信息获取能力。

15、在步骤3)中，所述对每个swt所汇集到的特征进行增强的神经网络为一个双层的一维卷积算子，如下：

16、fi(2)＝mlp2(fi(1))

17、式中，fi(1)为第i个节点的邻居节点经过swt模块进行信息聚合后的汇总信息，mlp2为双层一维卷积操作，fi(2)为fi(1)经过双层一维卷积操作后的新信息。

18、在步骤4)中，所述解码器由多个相同宏结构模块堆叠而成，每个模块由一个插值算子和两个一维卷积算子组成。

19、与现有技术相比，本发明的技术效果和优点在于：

20、第一，本发明针对在点云分析中邻居聚合过程使用最大池化函数所带来的信息损失问题，提出有效的解决方法。

21、第二，本发明对使用swt模块作为点云分析中的邻居聚合模块的有效性进行实验证明。

技术特征：

1.一种基于软邻居聚合的点云分析方法，其特征在于包括以下步骤：

2.如权利要求1所述一种基于软邻居聚合的点云分析方法，其特征在于在步骤1)中，所述使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征的子步骤为：

3.如权利要求1所述一种基于软邻居聚合的点云分析方法，其特征在于在步骤2)中，所述swt模块具体表示为一个带有温度系数的softmax函数；swt模块的输入为点云中某个节点的所有邻居节点信息及位置嵌入，对此节点的各个邻居节点输入一维张量的每个对应位置，依次使用带有温度系数的softmax函数进行处理，得到信息聚合完成后的一维张量作为输出；在训练过程中，使用可训练的温度参数调整softmax函数对某一节点的不同的邻居点的信息聚合比率；相对于常在邻居聚合模块被采用的最大池化函数而言，swt模块可强化对点云中每个点的邻居节点的信息获取能力。

4.如权利要求1所述一种基于软邻居聚合的点云分析方法，其特征在于在步骤3)中，所述神经网络为一个双层的一维卷积算子，如下：

5.如权利要求1所述一种基于软邻居聚合的点云分析方法，其特征在于在步骤4)中，所述解码器由多个相同宏结构模块堆叠而成，每个模块由一个插值算子和两个一维卷积算子组成。

技术总结
一种基于软邻居聚合的点云分析方法，涉及神经网络结构设计。包括以下步骤：1)使用神经网络更新点云中各点特征，使用球形查询获取点云中各个点的邻居点特征；2)使用SWT模块对点云中各个点的邻居点特征进行聚合；3)使用神经网络对每个SWT所汇集到的特征进行增强；4)使用解码器将特征映射回原空间，输出结果。通过对点云分析所使用神经网络的邻居聚合模块进行改进，增强点云分析神经网络的性能。可在3D分割任务中达到更好的性能。

技术研发人员：纪荣嵘,武凡,郑侠武,张岩
受保护的技术使用者：厦门大学
技术研发日：
技术公布日：2024/1/15