公开(公告)号：CN116580238A

公开(公告)日：2023-08-11

申请号：CN202310556396.7

申请日：2023-05-17

Applicant: 北京理工大学

Inventor： 刘凯琪 ,  董娇 ,  韩嘉威 ,  李伟

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明涉及一种基于深度学习的栅格化点云像素级分类方法及系统，包括将二维光栅数据切分成不同大小的块，找出最佳初始感受野作为数据输入，并通过采用第一模型作为主干网络的网络模型对切分后的LIDAR二维光栅数据特征进行提取，对模型进行训练；通过信息细化块选择主干网络提取的信息特征，将不同层次特征图进行交叉融合，扩大浅层特征图的感受野；聚合邻域内相关点的特征，强化各个像素点的隐空间特征表示，进而提高了LIDAR数据的分类精度。本发明通过迁移学习对模型参数进行初始化训练，引入信息细化和交叉融合模块来选择主干网络提取的信息特征，并利用对象上下文表示完成特征加强，最终提高了栅格化后激光雷达数据的分类效果。

公开(公告)号：CN116543158A

公开(公告)日：2023-08-04

申请号：CN202310521482.4

申请日：2023-05-10

Applicant: 北京理工大学

Inventor： 刘凯琪 ,  袁臣浩 ,  韩嘉威 ,  李伟

IPC: G06V10/26 ,  G06V20/70 ,  G06V10/40 ,  G06V10/56 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种基于多特征输入和矩阵监督的点云分割方法，包括：获取数据集得到点云训练以及测试数据，选取基准网络对整体数据集上的点云数据进行解耦分类；评估特征输入基准网络的最好输出结果；在每个基准网络训练过程中通过训练获得的结果计算KL散度进行联系；进行迭代训练，直到达到预设好的训练次数为止，通过多特征互学习网络结合外积矩阵KL散度在线训练互学习网络，最终得到点云语义分割结果。本发明通过互学习方式让不同的网络同时学习不同的特征，相互传递知识来增强每个网络对多特征信息的理解和利用，极大提升了网络的泛化性能，使得点云分割网络在面对实际分割场景时有着更好的鲁棒性和更准确的分割精度。