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：华南理工大学

摘要：本发明公开了一种基于深度学习的时序点云数据增强方法，包括：1按采集的时间顺序对点云进行排序；2抽取k个点云作为原始样本，并指定网络的总共迭代次数为T，网络包含增强器和分类器；3将原始样本输入到增强器中进行数据增强，得到增强样本；4将原始样本与增强样本输入到分类器中，利用分类器的分类结果得到分类损失值与增强损失值；5利用分类损失值与增强损失值，采用反向传播算法更新增强器与分类器的参数，若网络的迭代次数t小于网络的总共迭代次数T，则跳转至步骤2，否则终止训练，得到最终的分类器参数。本发明为使用时序点云作为输入样本的深度学习模型提供一种数据增强方法，缓解深度学习模型的过拟合情况，协助对点云进行分类的任务。

主权项：1.基于深度学习的时序点云数据增强方法，其特征在于，包括以下步骤：1按采集的时间顺序对点云进行排序，形成具有时间顺序的点云，指定点云点数数目为n，并将每个点云的点数固定为n，对每个点云中的点进行排序；2从步骤1得到的具有时间顺序的点云中，抽取k个点云作为原始样本，并指定网络的总共迭代次数为T，其中所述网络包含增强器和分类器；3将步骤2得到的原始样本输入到增强器中，设定增强器对样本中的每个点云进行数据增强的概率为paug，使增强器对样本中的每个点云以paug的概率进行数据增强，得到的样本称为增强样本；将一维卷积操作标记为Conv·，批归一化操作标记为BN·、线性整流函数标记为ReLU·，全连接层标记为FC·，最大池化操作标记为MaxPool·，预先设定对点云进行旋转的概率为pm，对点云进行逐点位移的概率为pd；利用增强器对样本中的每个点云进行数据增强，具体过程如下：3.1提取点云中每个点的特征：提取点云的三维坐标，得到尺寸为n×3的张量Π，进行以下操作，得到尺寸为n×64的张量Π1与尺寸为n×64的张量Π2：Π1＝ReLUBNConvΠΠ2＝ReLUBNConvΠ1以上两个一维卷积操作的卷积核大小分别为1×3、1×64，步长均为1；3.2提取点云的全局特征：进行以下操作，得到尺寸为n×128的张量Π3、尺寸为n×512的张量Π4与尺寸为1×512的张量VG：Π3＝ReLUBNConvΠ2Π4＝ReLUBNConvΠ3VG＝MaxPoolΠ4以上两个一维卷积操作的卷积核大小为1×64、1×128，步长为1；最大池化操作的核大小为n×1，步长为1；3.3指定噪声维度为τN，生成符合高斯分布的噪声值组成的尺寸为1×τN的张量VN，拼接VG与VN，得到尺寸为1×512+τN的张量VG～N；进行以下操作，得到尺寸为1×512的张量V1、尺寸为1×256的张量V2与尺寸为1×4的张量VR＝[a,b,c,d]：V1＝FCVGV2＝FCV1VR＝FCV2 其中，sin·是指正弦函数，cos·是指余弦函数，θ是指整片点云的旋转角度，vx是指旋转轴在X坐标轴上的分量，vy是指旋转轴在Y坐标轴上的分量，vz是指旋转轴在Z坐标轴上的分量，增强器会直接学习a、b、c、d四个参数，所以无需额外指定θ、vx、vy、vz；利用四元数的性质，得到旋转矩阵M的表达式为： 3.4堆叠张量VG～N，得到尺寸为n×512+τN的张量Π5： 将张量Π2与张量Π5张横向拼接，得到尺寸为n×64+512+τN的张量Π6：Π6＝Π2Π5进行以下操作，得到尺寸为n×1024的张量Π7、尺寸为n×512的张量Π8、尺寸为n×64的张量Π9与尺寸为n×3的位移矩阵D：Π7＝ReLUBNConvΠ6Π8＝ReLUBNConvΠ7Π9＝ReLUBNConvΠ8D＝ReLUBNConvΠ9以上的一维卷积操作的卷积核大小分别为1×64+512+τN、1×1024、1×512、1×64，步长为1；3.5生成两个服从均匀分布的随机数p1、p2，满足：p1,p2∈[0,1]若p1＜pm，则对点云进行旋转，否则，不对点云进行旋转；若p2＜pd，则对点云进行逐点位移，否则，不对点云进行逐点位移；若对点云进行旋转与逐点位移，则增强点云Πaug表示为：Πaug＝Π×M+D若仅旋转点云而不对点云进行逐点位移，则增强点云Πaug表示为：Πaug＝∏×M若仅对点云进行逐点位移而不旋转点云，则增强点云∏aug表示为：∏aug＝∏+D若不对点云进行旋转与逐点位移，则增强点云Πaug相当于原始点云，表示为：Πaug＝∏对样本中的所有点云都进行上述步骤3.1～3.5的操作；若原始点云中的点包含除三维坐标以外的特征，则需要将增强点云与对应的原始点云的其余特征逐点结合起来作为最终的增强点云；原始样本中的原始点云经过上述转换，得到对应的增强点云；将增强点云按其对应的原始点云的时间顺序排序，得到增强样本；4将步骤3得到的增强样本与对应的原始样本输入到分类器中，利用分类器的分类结果得到分类损失值LC与增强损失值LA；5利用步骤4得到的分类损失值LC与增强损失值LA，采用反向传播算法更新增强器与分类器的参数，若网络的迭代次数t小于网络的总共迭代次数T，则跳转至步骤2，否则，终止训练，得到最终的分类器参数。

全文数据：

权利要求：

百度查询： 华南理工大学 基于深度学习的时序点云数据增强方法