买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种基于点空洞方向卷积的点云语义分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115937507B 。

龙图腾网通过国家知识产权局官网在2026-05-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210400811.5，技术领域涉及：G06V10/26；该发明授权一种基于点空洞方向卷积的点云语义分割方法是由王少帆;刘蓥;王立春;孙艳丰;尹宝才设计研发完成，并于2022-04-17向国家知识产权局提交的专利申请。

本一种基于点空洞方向卷积的点云语义分割方法在说明书摘要公布了：一种基于点空洞方向卷积的点云语义分割方法适用于计算机视觉领域。它是一种交替使用点空洞方向卷积模块，边缘保持池化模块和边缘保持非池化模块的分层编解码网络。点空洞方向编码单元能通过改变空洞率来对邻域点进行等效稀疏采样，同时考虑了局部邻域点的方向信息和距离信息，可以在编码八个方向特征信息的同时任意的扩大其感受野，从而更全面地捕捉局部邻域信息。然后，将多个点空洞方向编码单元堆叠在一起组成点空洞方向卷积模块，该模块具有尺度感知能力和可移植性。边缘保持池化模块和边缘保持非池化模块用来保留边缘特征，恢复点云的高维特征，提高点云语义分割精度。该方法包括点云的局部邻域选择与特征提取，以获得更好的语义分割性能。

本发明授权一种基于点空洞方向卷积的点云语义分割方法在权利要求书中公布了：1.一种基于点空洞方向卷积的点云语义分割方法，其特征在于： 输入为原始的三维点云数据，首先对数据集中的点云数据进行处理，用于模型的训练；设计点空洞方向编码单元，建立基于局部邻域特征提取的深度网络模型；再将处理后的点云数据送入网络，对建立的网络的参数进行训练；对训练好的模型进行测试，最后输出点云语义分割标签结果； 其具体步骤如下： 步骤一：将数据集中的点云数据进行处理 直接输入无序点云数据，将无序点点及其特征即ScanNet的3维特征和S3DIS的9维特征作为网络的输入； 准备了训练集，并将点按房间和样本房间划分为的块；从每个区块中随机抽取若干个点进行训练，所有的点都用于测试； 步骤二：建立基于局部邻域特征提取的深度网络模型 1.设计点空洞方向编码单元 一个点空洞方向编码单元涉及两个超参数:采样率和邻域大小，使得且；对于给定的质心点，点空洞方向编码单元通过在每个象限内搜索的第个最近邻点来选择的多方向邻域点，并通过如下式1更新质心点特征: 其中是点选定的邻域点，分别表示点的逐点特征；为由共享多层感知机操作实现的边缘核，为两个向量的连接运算，为最大池函数； 接下来说明点空洞方向编码单元的邻域选择策略；当时，点空洞方向编码单元在每个象限选择最近的邻域点；当时，它在每个象限中选择第二个最近的邻域点；当时，它在每个象限选择第二个最近的邻域点和第四个最近的邻域点； 2.堆叠点空洞方向编码单元构建点空洞方向卷积模块 提出了一种点空洞方向卷积模块，它是将具有不同空洞率的个点空洞方向编码单元堆叠在一起构建的； 对于每个点空洞方向卷积模块，输入特征经过一系列的点空洞方向编码单元，转换成不同尺度的特征，然后通过跳跃连接操作连接在一起；然后，通过逐点卷积将级联特征转换为维多尺度特征； 输入为三维点云，所有点均视为质心点；对于每个质心点，通过设置，点空洞方向卷积模块在所有点通过一个点空洞方向编码单元后更新它们的特征一次，将更新的点特征以不同的空洞率馈送到下一个点空洞方向编码单元；在它通过所有的三个点空洞方向编码单元之后，获得一个特征块；然后，将第一个点空洞方向编码单元输出的特征、第二个点空洞方向编码单元输出的特征与经过三个点空洞方向编码单元后的特征串联起来，并将其馈送到逐点卷积操作中，以获得输出特征； 3.边缘保持池化边缘保持非池化模块 3.1边缘保持池化模块 该模块通过连接质心点和其邻近点的特征来提取边缘特征，边缘保持池化模块描述为：其中是点的选定邻域点，分别表示点的逐点特征；在下采样过程中，首先利用最远点采样算法选取质心点，然后利用边缘保持池化操作，显式的传播每个质心点的特征及其局部邻域特征，通过降低三维点的特征密度来逐渐扩大感受野； 3.2边缘保持非池化模块 在上采样过程中，通过跳跃连接将解码器中第层的点特征与编码器中第层的点特征连接起来；然后，将这些点作为解码器中第层的质心，并利用反距离加权插值IDWI操作选择它们的邻域来更新质心的特征；边缘保持非池化模块描述为：其中是质心点，是对应的PASIFT模块中的点通过跳跃连接的输出点；是点在先前的PASIFT模块中个最近邻，是IDWI操作； 4.设计深度分层编解码语义分割网络架构 对于给定的输入点云，点空洞方向卷积网络采用深度分层编解码器架构来学习其多尺度特征，遵循编码-解码架构，交替使用点空洞方向卷积模块和边缘保持池化边缘保持非池化模块； 在编码器部分,根据不同的下采样率交替使用点空洞方向卷积模块和边缘保持池化模块次，其中点空洞方向卷积模块模块由多个有着不同空洞率的点空洞方向编码单元组成；然后使用边缘保留池化操作来保留关键的边缘特征，从而层次化地利用和保存多尺度局部几何细节；网络中增加了三个跳跃连接操作，通过跳跃连接将编码过程中的对应层特征直接传递到解码层； 在解码器部分，根据不同的下采样率交替使用点空洞方向卷积模块和边缘保持非池化模块次，其中点空洞方向卷积模块由有着不同空洞率的点空洞方向编码单元组成；然后使用边缘保留非池化操作来考虑三维点特征位置，逐渐恢复稀疏的高维点特征的空间信息；最终，最后一个上采样层的点特征通过一个全连接层进行逐点语义标签预测； 步骤三:调整网络参数，进行神经网络的训练和测试 在点空洞方向卷积网络的编码过程中，设置了三个点空洞方向卷积模块和三个边缘保持池化模块交替使用；每个点空洞方向卷积模块分别将其空洞率设置为1、2、4；每个边缘保持池化模块分别具有64、128、512个特征通道数和1024、256、64个输出点数；在点空洞方向卷积网络解码过程中，交替设置了三个点空洞方向卷积模块和三个边缘保持非池化模块；每个点空洞方向卷积模块分别将其空洞率设置为4、2、1；每个边缘保持非池化模块的特征通道数分别为512、256、128，输出点数分别为256、1024、8192；从编码器到解码器的跳跃连接操作符的数量为；全连接层输出矩阵大小为，其中表示语义类别的数量；在每个点空洞方向卷积模块中，将每个点空洞方向编码单元搜索的邻域点数目设置为；在编码器的每个点空洞方向卷积模块中，将堆叠的点空洞方向编码单元的数目设置为；在解码器的每个点空洞方向卷积模块中，设置相同的堆叠点空洞方向编码单元的数目； 采用TensorFlow架构，在单个NVIDIATITANXPGPU上实现；使用Adam优化器，设置初始学习率为0.001；对于ScanNet数据集，设置最大迭代次数为1000、衰减步数为20k、衰减率为0.7和批大小为8；对于S3DIS数据集，设置最大迭代次数为200、动量为0.9、衰减步数为30K、衰减率为0.5和批大小为8。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。