公开(公告)号：CN116894944A

公开(公告)日：2023-10-17

申请号：CN202310920250.6

申请日：2023-07-26

Applicant: 桂林电子科技大学

Inventor： 张斌 ,  杨林杰

IPC: G06V10/26 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明涉及计算机视觉和点云语义分割技术领域，具体而言，涉及一种基于深度学习和边界点对比学习的3D点云语义分割方法。包括：以PointMetaBase网络为主干网，基于对比学习算法设计边界点对比学习模块(Boundary Points Contrasitve learning,BPCL)，构建增强边界点语义分割性能的网络结构；该点云语义分割网络结构包括依次连接的特征编码模块、特征解码模块和边界点对比学习模块；采集或使用室内场景点云作为数据集；根据获得的数据集训练构建的语义分割网络获得语义分割模型，使用该模型对待分割的点云数据进行分割。本发明可以提高PointMetaBase对场景边界的分割性能，从而提高对整个场景的分割性能。

公开(公告)号：CN117809038A

公开(公告)日：2024-04-02

申请号：CN202410001947.8

申请日：2024-01-02

Applicant: 桂林电子科技大学

Inventor： 张斌 ,  杨林杰

IPC: G06V10/26 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/047

Abstract: 本发明涉及计算机视觉和点云语义分割技术领域，具体而言，涉及一种基于边界感知和多尺度特征融合的3D点云语义分割方法。包括：步骤1，将输入的点云特征维度处理为32维；步骤2的边界点预测网络由点云特征提取层、几何卷积层和网络扩展模块、输出层组成，预测点云的边界点并将边界点标签输入编码器‑解码器主干网；步骤3的编码器由点集抽取模块和网络扩展模块组成，对点云特征进行提取，根据步骤2输入的边界点标签在位置嵌入编码的过程中剔除边界点防止边界上模糊特征导致的误分类；步骤4的解码器由点特征传播模块组成，对点和特征进行上采样实现解码；步骤5的多尺度特征融合，将步骤3得到的多尺度特征进行插值和拼接得到每个点的预测标签，最后根据点的预测标签计算损失函数，并与步骤2的损失函数求和。本发明的目的是优化边界点预测模块的结构、为主干网提供边界感知能力、多尺度特征融合能力，提高语义分割模型对边界点的分割精度、提升语义分割模型对点云整体的分割精度。