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！

龙图腾网获悉首都师范大学;上海勃发空间信息技术有限公司申请的专利基于全局特征学习和局部特征判别聚合的点云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：CN115131560B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202210740591.0，技术领域涉及：G06V10/26；该发明授权基于全局特征学习和局部特征判别聚合的点云分割方法是由孙海丽;张振鑫;李金城;钟若飞;邹建军;许正文;陆悦;韩玉龙;任晓旭设计研发完成，并于2022-06-28向国家知识产权局提交的专利申请。

本基于全局特征学习和局部特征判别聚合的点云分割方法在说明书摘要公布了：本发明介绍了基于全局特征学习和局部特征判别聚合的点云分割方法，其包括以下步骤：步骤S1、设计FPE模块，丰富每个点云的特征并扩展全局感受野；步骤S2、设计LFDA模块，学习更具有区别性的局部特征；步骤S3、基于胶囊网络设计GFC模块；步骤S4、设计GCM模块，用于构建全局相关性；步骤S5、通过级联多个全局和局部信息编码模块，在下采样的同时，不断扩展点的感受野；步骤S6、改进加权交叉熵损失函数，解决盾构隧道典型要素类别数据分布不均衡的问题；步骤S7、通过三个全连接层与一个Dropout层获得最后的语义预测。本申请直接对大规模3D盾构隧道点云数据进行语义分割，避免任何的预处理或后处理，进而实现快速分割盾构隧道典型要素。

本发明授权基于全局特征学习和局部特征判别聚合的点云分割方法在权利要求书中公布了：1.基于全局特征学习和局部特征判别聚合的点云分割方法，其特征在于，其包括以下步骤： 步骤S1、设计特征感知增强FPE模块，丰富每个点云的特征并扩展全局感受野； 步骤S2、设计局部信息挖掘LFDA模块，学习更具有区别性的局部特征； 步骤S3、基于胶囊网络设计全局特征捕捉GFC模块； 步骤S4、设计基于自注意力的全局相关建模GCM模块，用于构建全局相关性； 步骤S5、全局和局部信息捕捉模块由FPE、LFDA、GFC组成，通过级联多个全局和局部信息编码模块，在下采样的同时，不断扩展点的感受野； 步骤S6、改进加权交叉熵损失函数，解决盾构隧道典型要素类别数据分布不均衡的问题； 步骤S7、通过三个全连接层与一个Dropout层获得最后的语义预测； 所述步骤S2中，局部信息挖掘模块的原理为： 步骤S21、对于输入点云P，首先通过K‑NearestNeighborsKNN算法寻找欧式空间中距离最近的K个邻居点； 步骤S22、将中心点与邻居点视为图结构：，式中V表示节点，E表示连接中心点与邻居点的边，； 步骤S23、然后通过顶点的空间坐标和特征得到邻边特征edgefeature，，邻边特征可以视为中心点与邻居点的连接关系，邻边特征按照公式4编码得到： ； 式中表示中心点的第k个邻居点的邻边特征，表示中心点i的第k个邻居点的逆距离系数，该系数会随着距离的增加而减小，逆距离系数的计算如公式5‑6： ； ； 公式5中和分别表示中心点和第邻居点的空间坐标值；，式中表示中心点i第k个邻居点的特征；，式中表示中心点i的邻居点的三维坐标，表示中心节点i；同时得到新的邻居点特征； 步骤S24、对于邻边特征集，设计一个共享函数来学习每个特征的注意力分值s，共享函数是由一个线性变换后接一个softmax函数组成，它的定义如公式7： ； 式中W是可学习的权重；学习到的注意力得分可以被认为是一个可以自动选择邻居点特征的掩膜，表示了中心点i与邻居点在对应特征维度上相关性的强弱； 步骤S25、特征按照公式8加权并求和： ； 式中·表示点乘； 步骤S26、为了在保留每个点本身的特征的同时又可以学习到邻居点的特征，通过以下操作输出提取到的特征： ，式中表示本模块中心点i的输入特征，表示本模块中心点i的输出特征。

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首都师范大学;上海勃发空间信息技术有限公司，其通讯地址为：100048 北京市海淀区西三环北路105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。