公开(公告)号：CN117454223A

公开(公告)日：2024-01-26

申请号：CN202311428026.1

申请日：2023-10-31

Applicant: 南京信息工程大学

Inventor： 仲鸿超 ,  于莉

IPC: G06F18/24 ,  G06F18/214 ,  G06F18/21

Abstract: 本发明公开了一种基于对比学习的点云分类领域自适应方法，包括如下步骤：获取目标域的实际点云集，输入至训练好的点云分类模型，得到目标域的点云分类结果；模型的训练方法如下：获取源域和目标域的原始点云集，分别进行增强操作，得到源域和目标域的增强点云集；以最小化总损失函数为目标，优化训练点云分类模型；增强操作包括：基于FPS算法将原始点云分为两个部分点云；分别对两个部分点云进行噪声扰动后再进行拼接得到更新点云；对更新点云同时进行两次增强处理，得到两个增强点云；汇总增强点云，得到增强点云集。本发明通过结合局部增强和全局增强，能够有效地提高增强点云集样本的多样性和难度，从而提高模型的性能和泛化能力。

公开(公告)号：CN119006944B

公开(公告)日：2025-02-07

申请号：CN202411490578.X

申请日：2024-10-24

Applicant: 南京信息工程大学

Inventor： 仲鸿超 ,  于莉

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/40 ,  G06V10/26

Abstract: 本发明公开了一种基于多模态对比学习的无标签点云分类方法，包括如下步骤：获取目标域点云；将目标域点云输入至训练好的点云分类模型，得到目标域点云的分类结果；其中，点云分类模型的训练步骤如下：获取目标域点云和源域点云；对源域点云和目标域点云分别进行特征处理，得到源域增强特征集和目标域增强特征集；其中，特征处理包括数据增强、图像模态生成、特征提取和特征增强；根据目标域增强特征集和源域增强特征集，通过最小化总损失函数对预构建的点云分类模型进行训练，得到训练好的点云分类模型。通过引入图像模态来学习模态互补知识，同时通过数据增强和特征增强提高了对比学习的性能，从而提高了点云分类方法的分类精确性。

公开(公告)号：CN119006944A

公开(公告)日：2024-11-22

申请号：CN202411490578.X

申请日：2024-10-24

Applicant: 南京信息工程大学

Inventor： 仲鸿超 ,  于莉

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/40 ,  G06V10/26

Abstract: 本发明公开了一种基于多模态对比学习的无标签点云分类方法，包括如下步骤：获取目标域点云；将目标域点云输入至训练好的点云分类模型，得到目标域点云的分类结果；其中，点云分类模型的训练步骤如下：获取目标域点云和源域点云；对源域点云和目标域点云分别进行特征处理，得到源域增强特征集和目标域增强特征集；其中，特征处理包括数据增强、图像模态生成、特征提取和特征增强；根据目标域增强特征集和源域增强特征集，通过最小化总损失函数对预构建的点云分类模型进行训练，得到训练好的点云分类模型。通过引入图像模态来学习模态互补知识，同时通过数据增强和特征增强提高了对比学习的性能，从而提高了点云分类方法的分类精确性。