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融合体素的全局掩码自编码器的点云分类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：CN119762877B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202411935562.5，技术领域涉及：G06V10/764；该发明授权一种基于融合体素的全局掩码自编码器的点云分类分割方法及系统是由周伟;金卫卫;刘坤龙;郝星星;王德奎;陈莉设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种基于融合体素的全局掩码自编码器的点云分类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融合体素的全局掩码自编码器的点云分类分割方法及系统，属于三维点语义分割和深度学习技术领域，包括：获取并处理无标签与有标签的点云数据集，构建基于融合体素的全局掩码自编码器模型，迁移预训练得到的参数并构建下游任务模型，再用有标签数据集对模型进行微调得到最优深度网络模型，从而用于三维点云的分类或分割。本发明采用自监督学习方法，在一定程度上解决了标记数据集不足的问题，并有效改善了以往基于掩码自编码器划分局部区块导致模型低效的问题，它没有任何最远点采样和K近邻操作，而是使用全局体素特征作为预测目标，也避免了区块划分导致信息冗余的问题。

本发明授权一种基于融合体素的全局掩码自编码器的点云分类分割方法及系统在权利要求书中公布了：1.一种基于融合体素的全局掩码自编码器的点云分类分割方法，其特征在于，包括： 步骤一，获取两种点云数据集，其中无标签的数据集用于预训练自监督学习，将有标签数据集按一定比例划分为训练集、验证集、测试集用于对下游任务进行微调，并对点云数据集进行预处理； 步骤二，构建多尺度体素特征生成模块，并构建基于融合体素的全局掩码自编码器模型； 所述步骤二中的构建多尺度体素特征生成模块，并构建基于融合体素的全局掩码自编码器模型，包括：1构建多尺度体素特征生成模块； 多尺度体素特征的生成包括以下几个步骤：点云浅层特征提取、体素化、通道扩展、形状重塑及特征嵌入； 2构建基于融合体素的全局掩码自编码器模型； 基于融合体素的全局掩码自编码器使用非对称的编码器-解码器结构，以不同体素分辨率的全局点云形状作为编码器的输入； 步骤三，使用无标签数据集对基于融合体素的全局掩码自编码器模型进行预训练，以前置任务的重建损失最小为目标选取网络模型参数； 步骤四，基于预训练模型，构建用于下游任务的点云深度学习网络； 所述步骤四中的基于预训练模型，构建用于下游任务的点云深度学习网络包括：将基于融合体素的全局掩码自编码器中的解码器部分摈弃，将编码器提取到的高级潜在特征拼接，后接一个最大池化层，再跟上5个线性层，每个线性层用归一化、Swish激活函数、随机丢失连接，由此构成用于下游分类任务的点云深度学习网络； 步骤五，将步骤三中预训练模型学习到的参数迁移至用于下游任务的点云深度学习网络，使用有标签数据集进行微调，其中使用训练集对网络进行训练，在训练过程中使用验证集获得最优的深度网络模型； 所述步骤五中的将步骤三中预训练模型学习到的参数迁移至用于下游任务的点云深度学习网络，使用有标签数据集进行微调，其中使用训练集对网络进行训练，在训练过程中使用验证集获得最优的深度网络模型包括：1将预训练模型学习到的参数迁移至用于下游任务的点云深度学习网络； 2使用有标签数据集进行微调，将训练集输入网络中，计算交叉熵损失，更新网络的参数； 3使用验证集对进行测试并选取最优网络模型； 将验证集输入模型，数据处理包括点云下采样、归一化和标准化，然后得到预测标签； 将预测标签与实际标签比较计算验证集精度，保存训练过程中在验证集上的最优模型； 步骤六，将有标签数据集中的测试集输入选取的最优网络模型，得到点云分类结果。

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。