CN116912561B 基于多视角自适应图卷积网络的点云数据分类及分割方法 （上海交通大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN116912561B(45)授权公告日2025.07.11

(21)申请号202310750333.5

(22)申请日2023.06.25

(65)同一申请的已公布的文献号申请公布号CN116912561A

(43)申请公布日2023.10.20

(73)专利权人上海交通大学

地址200240上海市闵行区东川路800号

(72)发明人庄春刚牛万灏王浩闻熊振华

朱向阳

GO6V10/80(2022.01)

GO6V10/26(2022.01)

GO6V10/20(2022.01)GO6N3/048(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN111489358A,2020.08.04CN112488210A,2021.03.12审查员申冰冰

(74)专利代理机构上海交达专利事务所31201专利代理师王毓理王锡麟

(51)Int.CI.

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6V10/40(2022.01)权利要求书2页说明书5页附图4页

(54)发明名称

基于多视角自适应图卷积网络的点云数据分类及分割方法

(57)摘要

CN116912561B一种基于多视角自适应图卷积网络的点云数据分类及分割方法，通过在离线阶段构造图网络，将采集到的点云数据输入自适应旋转矩阵生成器得到自适应旋转后的点云数据并生成三张多视角投影图；将点云数据和三张多视角投影图分别构建得到全局信息图数据和局部信息图数据，进而分别输入全局特征提取网络和局部特征提取网络，提取得到全局特征和局部特征后将二者融合并输入功能型神经网络输出头，根据得到的结果计算损失函数以实现图网络的训练；在在线阶段通过实时采集到的点云数据输入训练后的图网络，得到点云分类或分割结果。本发明通过自适应地将点云数据进行旋转，得到优化后的观察视角，根据点云数据的几何特征和空间分布，灵活地调整视角的位置，并引入特定投影面

CN116912561B

棒。

采集点云数据

采集点云数据

通过自适应旋转矩阵生成器提取点云数据特征生成自适应旋转矩阵，对点云进行自适应旋转

将旋转后的点云数据向三个坐标面投影生成三张多视角投影图

将三维点云数据及二维多视角投影图分别构建为全局信息图数据和局部信息图数据

将3维点云构建的全局信息图数据输入全局特征提取网络

提取全局特征；将多视角投影图构建的局部信息图数据输

入局部特征提取网络提取局部特征

融合全局特征与局部特征

根据具体任务搭建具体功能型神经网络输出头

将融合后特征信息通过功能型输出头得到相应的最终结果

将最终结果与标签计算交叉痛误差，将步骤二生成器给出

的损失计算矩阵与单位阵计算均方误差，将二者加和后向

后传递，更新网络权重

步骤一

步骤二

步骤三

步骤四

步骤五

步骤六

步骤七

步骤八

步骤九

CN116912561B权利要求书1/2页

2

1.一种基于多视角自适应图卷积网络的点云数据分类及分割方法，其特征在于，通过在离线阶段构造包含自适应旋转矩阵生成器、全局特征提取网络、局部特征提取网络和功能型神经网络输出头的图网络，将采集到的点云数据输入自适应旋转矩阵生成器得到自适应旋转后的点云数据并生成三张多视角投影图；将点云数据和三张多视角投影图分别构建得到全局信息图数据和局部信息图数据，进而分别输入全局特征提取网络和局部特征提取网络，提取得到全局特征和局部特征后将二者融合并输入功能型神经网络输出头，根据得到的结果计算损失函数以实现图网络的训练；在在线阶段通过实时采集到的点云数据输入训练后的图网络，得到点云分类或分割结果；

所述的自适应旋转矩阵生成器为带有全连接层和最大池化层的六层串联式神经网络，其中：第一层为输入维度为3输出维度为64的全连接层并使用ReLU激活函数，第二层为输入维度为64输出维度为256的全连接层并使用ReLU激活函数，第二层为输入维度为256输出维度为256的全连接层并使用ReLU激活函数，第四层为最大池化层，第五层为输入维度为256输出维度