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！

龙图腾网获悉西北大学申请的专利一种基于局部邻域注意力的点云语义分割方法及系统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：CN119785032B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411977023.8，技术领域涉及：G06V10/26；该发明授权一种基于局部邻域注意力的点云语义分割方法及系统是由周伟;金卫卫;刘坤龙;彭先霖;李康;彭敬业;龚晓庆设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于局部邻域注意力的点云语义分割方法及系统在说明书摘要公布了：本发明公开了一种基于局部邻域注意力的点云语义分割方法及系统，属于三维点云处理和深度学习技术领域，包括以下步骤：S101，划分三维点云数据为训练、验证、测试集并预处理；S102，构建基于局部邻域注意力的深度学习网络，用训练集训练、验证集获取最优模型；S103，将测试集输入最优模型获得语义分割结果。本发明通过融合了全局位置编码和局部位置编码的局部邻域注意力来构建语义分割模型，有效改善了以往模型因仅关注邻域内点相对位置致空间几何结构信息提取不佳问题，增强了注意力机制的特征提取能力，提升了三维点云语义分割模型的鲁棒性、泛化性与分割准确性。

本发明授权一种基于局部邻域注意力的点云语义分割方法及系统在权利要求书中公布了：1.一种基于局部邻域注意力的点云语义分割方法，其特征在于，该方法用于帮助机器人理解周围环境，包括以下步骤： 步骤一：将三维点云数据划分为训练集、验证集、测试集，并对点云数据集进行预处理； 步骤二：构建融合了局部位置编码和全局位置编码的局部邻域注意力模块，并构建基于局部邻域注意力的深度学习网络，包括： 1构建融合了局部位置编码和全局位置编码的局部邻域注意力模块； 融合了局部位置编码和全局位置编码的局部邻域注意力模块采用矢量注意力计算点云特征，并聚合到中心点，并使用两种位置编码分别为模型提供邻域内点和邻域间的空间位置关系； 对于包含n个点的点云P，将其特征和坐标分别表示为和从点云P中采样m个点作为中心点，其特征和坐标分别表示为和直接将中心点特征Fcenter经过线性映射后得到查询向量Q，则： 式中，α为线性层，将特征通道数从Cin映射为Cout； 为了得到键向量和值向量，首先将输入点云特征Fin经过两个不同的线性映射，再以中心点Xcenter为中心，使用ballquery划分邻域，据此将线性映射得到的两个特征划分为m个子集，每个子集中包含k个点，分别得到键向量K和值向量V，并得到对应的邻居点坐标Xneighbor以便后续计算位置编码； 式中，β，γ为线性层，将特征通道数从Cin映射为Cout；groupa,b,c表示以b作为中心，在c上划分邻域，从而对特征a进行分组；k表示每个邻域内点的数量； 将Q向量与K向量相减，经过多层感知机MLP和归一化后即可得到注意力权重，但为了帮助模型学习邻域间的结构关系，添加了全局位置编码此外，为了防止网络过拟合，还对注意力权重进行了随即丢失； 式中，表示由卷积层、批归一化和Swish激活函数组成的MLP，η表示softmax归一化函数，drop表示随机丢失函数； 除了邻域间的结构关系，邻域内点的位置关系对点云学习也至关重要，所以对V向量添加了一个局部位置编码后再使用注意力权重W进行加权求和，聚合每个邻域内点的特征； 为了适应不同情况的特征提取，设计了两种注意力模块，第一种注意力模块在m＝n时不进行下采样，将其称为非下采样注意力模块，它以每个点作为中心划分邻域，计算注意力； 式中，表示逐元素依次相乘，sum函数将加权后的邻域内的点特征相加，第二种注意力模块进行下采样，mn，将其称为下采样注意力模块，它以下采样得到的点为中心划分邻域，计算注意力，此外，为了提高模型的稳定性，还添加了一个残差连接，将采样点特征通过一个卷积映射至相同特征通道后添加至输出； 式中，τ表示一维卷积，act为激活函数； 可学习、参数性的全局位置编码POSglobal，其提供邻域间的空间位置信息，和局部位置编码POSlocal，其提供邻域内点的位置关系，分别由中心点坐标和邻居点的相对坐标Xneighbor-Xcenter经过MLP得到； 式中，λ和θ均为由卷积层、批归一化和Swish激活函数组成的MLP； 考虑到全局位置编码POSglobal是由邻域中心点坐标得到的，Q、K、V中仅有Q是由邻域中心点特征得到，于是在计算注意力权重时添加全局位置编码POSglobal，为特征权重的学习提供邻域间的空间位置信息；局部位置编码POSlocal则添加在V向量后，为邻域内的点提供局部位置信息； 2构建基于局部邻域注意力的深度学习网络； 基于局部邻域注意力的深度学习网络用于点云分割和点云分类，它由预嵌入、下采样特征提取、残差块、上采样特征提取，四个模块构成，其主要特征聚合操作符是非下采样注意力模块和下采样注意力模块； 预嵌入：在提取深层特征前，我们先使用一个预嵌入模块扩展点云特征通道，提取点云的浅层特征，预嵌入由两个连续的非下采样注意力模块组成； 下采样特征提取：网络的编码器部分对点云进行逐层下采样，在点的数量变少的同时扩展特征通道数，学习点云的深层特征，下采样特征提取是编码器的主要组成部分，它由一个非下采样注意力模块和一个下采样注意力模块组成，其中非下采样注意力模块用于提取精细结构信息，下采样注意力模块则用于下采样点云的同时聚合邻域特征； 残差块：对于分割任务来说，它需要更深层次的结构特征用于学习点云的几何结构，故在分割任务中的每层下采样特征提取后面添加一个残差块，它包含一个非下采样注意力模块，将其输入残差连接到输出，然后经过一个激活函数，实际上，根据不同的任务或数据集，调整下采样特征提取后面添加的残差块的数量，以得到更优的结果； 上采样特征提取：对于分割任务，编码器部分对点云进行了下采样，为了最后能够得到每个点的分类分数，还需要在解码器对点云进行上采样，将来自前一层的点云特征使用三线性插值法上采样后，与编码器中对应层的输出特征进行拼接，然后再用一个非下采样注意力模块提取融合后的点云特征，送入下一层； 用于点云分割和分类网络架构：对于分割任务来说，网络的编码器部分由预嵌入、下采样特征提取和残差块构成，解码器部分使用上采样特征提取对前一层得到的特征进行上采样，并连接编码器对应层的输出，解码器的最后一层会得到每个点的特征，最终使用MLP将其映射到分割类别数，得到每个点的分数，对于分类任务，其编码器部分相比分割任务，去掉了残差块，因为残差块的深层次的特征提取会使网络过度学习点云细节，导致模型过拟合，并在最后一次下采样特征提取后经过两个非下采样注意力模块进一步提取点云特征，解码器部分则对得到的特征进行最大池化得到点云的全局特征，最后使用MLP得到分类分数； 步骤三：使用训练集对网络进行训练，在训练过程中利用验证集对网络进行验证，并优化模型； 步骤四：将测试集输入得到的最优深度网络模型中，得到三维点云的语义分割结果。

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西北大学，其通讯地址为：710069 陕西省西安市碑林区太白北路229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”。

以上内容由龙图腾AI智能生成。