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！

申请/专利权人：中国石油大学(华东)

摘要：本发明公开了融入注意力机制多尺度CNN的LiDAR点云滤波方法，本发明属于点云滤波领域，包括：获取激光雷达点云数据的标准化坐标值，将所述点云数据转换成多通道图像，其中所述多通道图像包括：训练图像和测试图像。构建融入注意力机制多尺度CNN的点云滤波模型，所述点云滤波模型包括：输入层、卷积层、注意力层和全连接层；基于所述训练图像，通过所述注意力层，训练与优化所述点云滤波模型；将所述测试图像输入至训练好的点云滤波模型，输出预测结果；所述预测结果包括：地面点和非地面点。本发明能够提取点云的深层次特征，能取得较好的点云滤波效果。

主权项：1.一种融入注意力机制多尺度CNN的LiDAR点云滤波方法，其特征在于，包括以下步骤：获取激光雷达点云数据的标准化坐标值，将所述点云数据转换成多通道图像；其中所述多通道图像包括：训练图像和测试图像；构建融入注意力机制多尺度CNN的LiDAR点云滤波模型，所述点云滤波模型包括：输入层、卷积层、注意力层和全连接层；所述卷积层包括：第一层多尺度卷积核和第二层多尺度卷积核；利用第一层多尺度卷积核分三个支路对输入图像分别进行特征提取，通过不同尺度的卷积核进行卷积操作得到不同的原始特征图，所述原始特征图尺寸大小相同；将所提取到的原始特征图沿三个支路分别输入到注意力层进行加权处理得到第二特征图，并利用第二层多尺度卷积核对第二特征图进行有侧重的特征提取，得到第三特征图；将不同层次的第三特征图拼接后输入到全连接层完成类别判断；所述注意力层包括：通道注意力模块和空间注意力模块；所述通道注意力模块中，首先通过使用全局平均池化和全局最大池化操作来对原始特征图的空间维度进行信息聚合，生成两个不同的空间上下文特征描述符，分别表示全局平均池特征和全局最大池特征，两个特征描述符的长度均为输入特征图的通道数；然后将两个特征描述符分别输入到共享全连接神经网络中进行处理，其中共享全连接神经网络由多层感知器和一个隐藏层组成；接着将经过共享全连接神经网络处理后的两个特征描述符相加，再经过Sigmoid函数的激活处理后生成通道注意力图；最后将通道注意力图与原始特征图逐元素相乘，得到经过通道注意力模块处理的输出特征，即为第一特征图；所述通道注意力模块的计算公式为： 其中，σ表示Sigmoid函数，W0和W1对于全连接神经网络的输入都是共享权重的，F为原始特征图，Mc为通道注意力图，和分别为两个不同的空间上下文特征描述符；所述空间注意力模块中，在图像最左上角的像素区域沿通道轴进行池化操作，遍历所有像素，得到平均池化特征图和最大池化特征图，将平均池化特征图和最大池化特征图进行堆叠，形成信息丰富的特征图；利用卷积核对信息丰富的特征图进行卷积处理，得到新的单通道特征图，并将新的单通道特征图经过Sigmoid函数的激活处理生成空间注意力图；最后将空间注意力图与经过通道注意力模块处理的输出特征逐像素对应相乘，得到经过空间注意力模块处理的输出特征，即第二特征图；所述空间注意力模块的计算公式为： 其中，σ表示Sigmoid函数，f3×3表示卷积核大小为3×3的卷积运算，为平均池化特征图，为最大池化特征图，Ms为空间注意力图；所述注意力层的计算公式为： 其中，表示按元素的乘法，F′为第一特征图，F″为第二特征图；基于所述训练图像，训练与优化所述点云滤波模型；将所述测试图像输入至训练好的点云滤波模型，输出预测结果；所述预测结果包括：地面点和非地面点。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 融入注意力机制多尺度CNN的LiDAR点云滤波方法