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！

龙图腾网获悉湘潭大学申请的专利一种基于局部表面分布与连续编解码金字塔的点云语义分割模型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：CN117095170B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202311140950.X，技术领域涉及：G06V10/26；该发明授权一种基于局部表面分布与连续编解码金字塔的点云语义分割模型是由周维;焦健斌;许海霞;魏名安;聂旺;盘运红;周敏;刘仁明设计研发完成，并于2023-09-06向国家知识产权局提交的专利申请。

本一种基于局部表面分布与连续编解码金字塔的点云语义分割模型在说明书摘要公布了：本发明公开了一种基于局部表面分布与连续编解码金字塔的点云语义分割模型。本发明包括以下步骤：1、模型建立，设计一种基于局部表面分布与连续编解码金字塔的点云语义分割模型来增强局部点的空间结构特征并缓解浅层语义特征语因预测能力不足而导致精度下降。2、模型训练，首先对数据集预处理，然后对建立的模型进行训练。3、模型推理，将测试集的点云输入训练好的模型中，推理其语义类别预测值，评估预测准确度。本发明是一种针对点云语义分割的神经网络模型，特别是提供了基于局部表面分布来提取空间结构信息与连续编解码金字塔结构来优化浅层语义信息的统一建模方法，获得了在点云语义分割领域较好的分割效果。

本发明授权一种基于局部表面分布与连续编解码金字塔的点云语义分割模型在权利要求书中公布了：1.一种基于局部表面分布与连续编解码金字塔的点云语义分割模型，其特征在于包括以下步骤： 步骤1：模型建立； 具体设计一种基于局部表面分布与连续编解码的点云分割方法，通过局部邻域特征值和特征向量构造的局部表面分布特征增强局部点的空间结构特征，通过连续的两个编解码金字塔来缓解浅层语义特征语因预测能力不足而导致精度下降，提高点云语义分割的准确性； 首先，构建局部特征分析模块，对原始点云特征进行初步的特征提取以加强点云局部关系，通过局部表面分布子模块提取局部点云的分布特征Fl，使用伞形曲面表示子模块拟合局部曲面，作为曲面特征Fu，将F＝{Fl，Fu，Pa}作为初步提取阶段特征，其中Pa表示预处理后的点云； 然后，构建编解码模块，建立连续编解码金字塔子模块，对特征F多层的连续金字塔进行特征提取，得到具有增强语义信息的点云特征E； 最后，建立输出模块，通过使用线性层Linear参数对点云特征E进一步融合提取，得到点云的预测特征Z； 其中，建立的局部表面分布，其特征在于包括以下操作： 首先，对预处理后的点云Pa进行特征提取，有关局部表面分布子模块的操作具体过程如下：首先对Pa的坐标使用K近邻算法搜索点云中每个点最近的k个点的索引序列，其中Pa∈RN×6，表示Pa的坐标字段，N表示点云数量，使用索引序列提取Pa特征的坐标字段，记作D，D∈RN×k×3，称第二维度为分组维度，然后对坐标字段D进行标准化处理，处理过程如下： 其中，表示在分组维度上对数据的取平均操作；对M矩阵进行SVD分解，分解公式如下： M＝USVT   2其中，S为奇异矩阵，是奇异值组成的对角阵，U为左奇异矩阵，V为右奇异矩阵，U和V均为正交矩阵，上标T表示矩阵的转置，对上述公式进行推导可得： MTM＝VLVT＝VLV‑1 3其中，MTM为局部点云的散度矩阵，并且L为MTM矩阵的特征值矩阵，V的列向量为MTM矩阵的特征向量，L∈RN×3×3，V∈RN×3×3，奇异值矩阵S可由L表示为： L＝SS      4其中，S∈RN×3×3为奇异值；由于计算的特征值普遍较小，于是采用奇异值代替特征值，为了防止奇异值矩阵S的值过大或过小导致训练不稳定的情况，于是对奇异值进行绝对值和平方根操作，操作后的特征记作S′；特征向量矩阵V中向量指向可正可反，于是对其进行随机反转操作，记作随机反转后的特征向量矩阵为V′，然后对S′与V′进行Hadamard乘积，获得一组能够描述局部点云分布的基向量，最后将基向量通过神经网络提取特征；上述过程可用如下公式描述: 其中，ξ.表示随机逆行翻转特征向量方向，δS′表示对S′升维，⊙表示Hadamard乘积处理数据，hΘ.是以Θ为待学习参数的非线性函数，输出特征建立连续编解码金字塔子模块在特征在于包括以下操作： 使用PointTransformer作为基础网络Baseline，该结构包含四种基础结构，分别为下采样结构Transition Down、上采样结构Transition UP、基础特征提取结构PointTransformer Blcok和全局特征融合结构Global Feature Fusion，使用网格对网络进行划分，P0～P5表示该子模块的层次，Enc1、Dec1表示第一个编解码金字塔的编解码过程，Enc2、Dec2表示第一个编解码金字塔的编解码过程，该子模块输入特征F，使用跳接的方式将Dec1中特征融合进同层的Enc2中，经过多次的特征融合与特征提取，以加深浅层特征预测能力，再将Enc2中特征融合进同层Dec2中，使用具有一定预测能力的浅层特征辅助深层特征，最后获得输出特征E，如下公式展示了连续编解码金字塔Enc2，Dec2结构计算过程： ①第一个编码金子塔操作过程如下所示： ②第二个编码金字塔操作过程如下所示： 其中，Pi表示EncEncoder或DecDecoder第i层级的输出特征，Linear表示线性层，Tu、Td表示Transition UP和Transition Down，Gff表示Global Feature Fusion结构，Ptb表示PointTransformer Blcok结构；作为为连续编码金字塔的输出特征； 步骤2：模型训练； 对步骤1定义的网络模型参数进行训练，训练到整个模型收敛为止； 步骤3：模型推理； 将测试集的点云输入到训练好的模型中，推理测试点云的语义类别预测值，评估预测准确度。

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湘潭大学，其通讯地址为：411105 湖南省湘潭市雨湖区；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。