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！

龙图腾网获悉中国人民解放军军事科学院国防科技创新研究院申请的专利一种基于三维目标上下文表示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：CN115272673B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202210897118.3，技术领域涉及：G06V10/26；该发明授权一种基于三维目标上下文表示的点云语义分割方法是由肖良;赵大伟;商尔科;朱琪;聂一鸣;戴斌设计研发完成，并于2022-07-28向国家知识产权局提交的专利申请。

本一种基于三维目标上下文表示的点云语义分割方法在说明书摘要公布了：本发明公开一种基于三维目标上下文表示的点云语义分割方法，属于计算机视觉技术领域。首先构建由原始点云和点云语义标注构成的数据集，并划分为训练集、验证集和测试集；然后构建引入三维目标上下文表示的三维稀疏网络模型，并在训练集上进行训练；最后将训练好的模型在测试数据上进行测试，获取测试点云的语义标注。本发明提供的方法在基于三维稀疏卷积神经网络的基础上，引入了三维目标上下文表示，使得对每个体素分类时能够考虑其与不同类别区域之间的相互关系，有效聚合大范围语义上下文信息，有助于提高语义分割的准确性。

本发明授权一种基于三维目标上下文表示的点云语义分割方法在权利要求书中公布了：1.一种引入三维目标上下文表示的三维稀疏神经网络点云分割方法，其特征在于，该方法包括如下步骤： S1.构建由原始点云和点云语义标注构成的数据集，并划分为训练集、验证集和测试集； S2.构建引入三维目标上下文表示的三维稀疏网络模型，并在训练集上进行训练； S3.将训练好的模型在测试数据上进行测试，获取测试点云的语义标注； 所述步骤S2的具体步骤如下： S21.根据场景大小、精度和速度要求选择适当的体素尺寸，将有标注的点云划分到三维体素中，对非空体素计算其坐标索引ci、体素特征xi和标记li，构成输入稀疏特征张量X和稀疏标记张量L； S22.构建三维稀疏卷积骨干网络，提取稀疏体素的高层特征Y，并将其输入至一个辅助线性分类网络，获取所有非空体素属于K个类别的得分Saux； S23.根据每个非空体素的分类得分，将所有非空体素组织成K个三维广义目标区域M1,M2,...MK，并对每个三维广义目标区域Mk，提取目标区域表示fk: 其中，为非空体素集合，yi为骨干提取的体素i的高层特征，aki为衡量体素i属于Mk的程度的系数，该系数为将辅助分类器得到的类别Saux进行空间Softmax运算后得到: S24.为提取非空体素与上述广义目标区域的关系上下文，通过如下公式计算非空体素与上述目标区域表示的相关性： 其中表示y与f之间的相关性，wik则为归一化之后的相关性系数；和φ表示特征变化函数，通常由线性映射批归一化-非线性激活函数组成； S25.综合非空体素与所有广义目标区域之间的相关性，计算非空体素的三维目标上下文表示Z： 其中，ρ和δ为变换函数，与S24中的和φ类似，同样由线性映射批归一化-非线性激活函数组成； S26.将目标上下文表示Z与高层特征Y拼接concat并进行特征变换后组成新的体素特征G： gi＝γ[yi；zi]5 其中特征变换γ与S24中的和φ类似，同样由线性映射批归一化-非线性激活函数组成； S27.将G输入至线性分类层，计算每个非空体素的最终类别得分S； S28.根据辅助分类得分和最终分类得分计算损失： loss＝CES,L+λ·CESaux,L6 其中，CE为交叉熵损失函数，λ为调节辅助分类任务和最终分类任务重要性的权重参数； S29.利用随机梯度下降算法更新网络参数，在训练集上迭代一定数量的epoch，记录在验证集合上性能最佳的参数； 所述步骤S3的具体步骤如下： S31.采用S21相同的体素化方法，对测试点云进行体素化，构成输入稀疏特征张量Xt； S32.将Xt输入至S2步训练好的三维稀疏卷积神经网络中，获取所有非空体素的最终类别得分St； S33.计算每个体素的标记： 其中表示体素i的类别得分； S34.利用S31步中点云与体素的映射关系，将体素的语义标记映射到所有划分到该体素中的三维点，获取最终的点云语义标记。

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国人民解放军军事科学院国防科技创新研究院，其通讯地址为：100071 北京市丰台区丰台东大街53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”。