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！

龙图腾网获悉中山大学申请的专利基于多模态特征融合点云数据分类方法及装置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：CN114494708B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202210085153.5，技术领域涉及：G06V10/40；该发明授权基于多模态特征融合点云数据分类方法及装置是由胡建芳;李世顺设计研发完成，并于2022-01-25向国家知识产权局提交的专利申请。

本基于多模态特征融合点云数据分类方法及装置在说明书摘要公布了：本发明公开了一种基于多模态特征融合点云数据分类方法及装置，方法包括下述步骤：利用预先设立的多视角卷积神经网络模型进行图像特征提取；利用预先设立的点云Transformer模型对点云数据进行点云特征提取；将图像特征和点云特征利用特征融合模块进行多模态特征融合，根据融合后的特征得到点云数据分类结果；所述特征融合模块包括第一通路和第二通路，所述第一通路在中间使用对应尺寸将原多视角卷积神经网络模型的数据和特征融合模块的中间结果进行叠加；所述第二通路是从所述点云Transformer模型获得的特征，也在中间对应尺度的位置将原点云Transformer模型的输出和中间结果进行叠加。本发明通过设计的多模态特征融合模块将两个模型的优点缺点进行互补，从而提升分类效果。

本发明授权基于多模态特征融合点云数据分类方法及装置在权利要求书中公布了：1.基于多模态特征融合点云数据分类方法，其特征在于，包括下述步骤： 利用预先设立的多视角卷积神经网络模型进行图像特征提取； 利用预先设立的点云Transformer模型对点云数据进行点云特征提取； 将图像特征和点云特征利用特征融合模块进行多模态特征融合，根据融合后的特征得到点云数据分类结果；所述特征融合模块包括第一通路和第二通路，所述第一通路为从所述多视角卷积神经网络模型获得的特征图进行输入，并在中间使用对应尺寸将原多视角卷积神经网络模型的数据和特征融合模块的中间结果进行叠加；所述第二通路是从所述点云Transformer模型获得的特征，也在中间对应尺度的位置将原点云Transformer模型的输出和中间结果进行叠加； 进行多模态特征融合的具体步骤为： 将所述多视角卷积神经网络模型提取的特征图通过第一编码器降维后形成n*1维度的第一向量，将所述多视角卷积神经网络模型提取的点云特征作为n*1维度的第二向量，将所述第一向量和第二向量拼接为2n*1维度第三向量； 所述第三向量经过第一解码器得到4n*1维度的第四向量和n2*1维度的第五向量，所述第四向量作为第一通路的输入，所述第五向量作为第二通路的输入；在第一通路中，将第四向量与所述多视角卷积神经网络模型对应尺度的第一全连接层的输出进行第一次叠加，然后经过第二编码器变为n2*1维度的向量；在第二通路中，将n2*1维度的第五向量与点云Transformer模型对应尺度的第一全连接层的输出进行第一次叠加； 将两个通路第一次叠加后的向量进行拼接形成n*1维度的第六向量，所述第六向量经过第二解码器解码成4n*1维度的第七向量和n4*1维度的第八向量；在第一通道中，将第七向量与多视角卷积神经网络模型的第二全连接层输出的向量进行叠加，叠加后得到的向量经过第三编码器得到n4*1维度的第九向量；在第二通路中，将第八向量与点云Transformer模型相同维度的第二全连接层的输出进行叠加就，得到n4*1维度的第十向量； 将第九向量和第十向量拼接形成n2*1维度的第十一向量，所述第十一向量经过第三解码器形成两个设定维度的向量；将两个设定维度的向量分别与多视角卷积神经网络模型的第三全连接层和点云Transformer模型的第三全连接层的输出进行拼接，然后统一经过一个全连接层得到设定维度的向量； 将多视角卷积神经网络模型最后的设定维度的向量与点云Transformer模型最后的设定维度的向量以及上段获得的设定维度的向量进行分类任务。

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中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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”。