CN112614071A - 基于自注意力的多样点云补全方法和装置 - Google Patents
基于自注意力的多样点云补全方法和装置 Download PDFInfo
- Publication number
- CN112614071A CN112614071A CN202011593009.XA CN202011593009A CN112614071A CN 112614071 A CN112614071 A CN 112614071A CN 202011593009 A CN202011593009 A CN 202011593009A CN 112614071 A CN112614071 A CN 112614071A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- predicted
- agent
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 90
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000011084 recovery Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请提出一种基于自注意力的多样点云补全方法和装置,涉及计算机三维点云补全和深度学习技术领域,其中,方法包括:获取点云数据,对点云数据进行处理,获取输入点代理序列;对点代理序列进行编码,获取点编码向量,对点编码向量进行解码,获取预测点代理;将预测点代理输入多层感知器,获取预测点中心,并在预测点中心的基础上恢复完整点云数据。由此,将点云处理成为点代理序列,并采用编码器‑解码器来构建点云不同点之间的长程关系实现点云重建。
Description
技术领域
本申请涉及计算机三维点云补全和深度学习技术领域,尤其涉及一种基于自注意力的多样点云补全方法和装置。
背景技术
三维传感器的最新发展推动了三维计算机视觉任务的研究,因为三维数据比传统研究的二维图像更具信息,点云是最常用的三维数据格式之一,它只需要很少的内存即可存储但可以传达丰富而详细的三维形状信息。
但是,由于不可避免的自我遮挡,光反射,传感器分辨率有限等原因,来自现有三维传感器的点云数据并不总是完整且令人满意。因此,从部分和稀疏的原始数据中恢复完整的点云成为必不可少的任务,其意义越来越重要。
相关技术中,进行点云重建的方式容易造成非常多局部细节的丢失,将不可避免的导致复原点云的失真。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于自注意力的多样点云补全方法,将点云处理成为点代理序列,并采用编码器-解码器来构建点云不同点之间的长程关系实现点云重建。
本申请的第二个目的在于提出一种基于自注意力的多样点云补全装置。
为达上述目的,本申请第一方面实施例提出了一种基于自注意力的多样点云补全方法,包括:
获取点云数据,对所述点云数据进行处理,获取输入点代理序列;
对所述点代理序列进行编码,获取点编码向量,对所述点编码向量进行解码,获取预测点代理;
将所述预测点代理输入多层感知器,获取预测点中心,并在所述预测点中心的基础上恢复完整点云数据。
本申请实施例的基于自注意力的多样点云补全方法,通过获取点云数据,对点云数据进行处理,获取输入点代理序列;对点代理序列进行编码,获取点编码向量,对点编码向量进行解码,获取预测点代理;将预测点代理输入多层感知器,获取预测点中心,并在预测点中心的基础上恢复完整点云数据。由此,将点云处理成为点代理序列,并采用编码器-解码器来构建点云不同点之间的长程关系实现点云重建。
在本申请的一个实施例中,所述对所述点云数据进行处理,获取输入点代理序列,包括:
对所述点云数据进行下采样操作,获取点云中心点,并以所述点云中心点扩充为包含多个点的集合;
通过所述多层感知器对所述多个点的集合和所述点云中心点进行特征提取,获取集合特征和位置嵌入,将所述集合特征和所述位置嵌入进行加和,获取所述点代理序列。
在本申请的一个实施例中,所述对所述点代理序列进行编码,获取点编码向量,对所述点编码向量进行解码,获取预测点代理,包括:
在编码器中,通过多头自注意力层,所述对所述点代理序列中每一个无序点代理将获得其他点代理的信息,并构建点与点之间的关系;
通过前馈神经网络进行特征更新,获取所述点编码向量输入解码器中,所述解码器的交叉注意力层,进行从已知点到未知点的关系构建,通过前馈神经网络输出预测点代理。
在本申请的一个实施例中,所述将所述预测点代理输入多层感知器,获取预测点中心,并在所述预测点中心的基础上恢复完整点云数据,包括:
将所述预测点代理输入多层感知器,获取预测点中心;
在所述预测点中心的基础上,生成围绕所述预测点中心的附属点,获取所述完整点云数据。
在本申请的一个实施例中,所述基于自注意力的多样点云补全方法,还包括:
获取随机向量,通过所述解码器的多头自注意力层对所述随机向量进行处理,与所述点编码向量输入所述解码器的交叉注意力层。
为达上述目的,本申请第二方面实施例提出了一种基于自注意力的多样点云补全装置,包括:
第一获取模块,用于获取点云数据;
第二获取模块,用于对所述点云数据进行处理,获取输入点代理序列;
处理模块,用于对所述点代理序列进行编码,获取点编码向量,对所述点编码向量进行解码,获取预测点代理;
恢复模块,用于将所述预测点代理输入多层感知器,获取预测点中心,并在所述预测点中心的基础上恢复完整点云数据。
本申请实施例的基于自注意力的多样点云补全装置,通过获取点云数据,对点云数据进行处理,获取输入点代理序列;对点代理序列进行编码,获取点编码向量,对点编码向量进行解码,获取预测点代理;将预测点代理输入多层感知器,获取预测点中心,并在预测点中心的基础上恢复完整点云数据。由此,将点云处理成为点代理序列,并采用编码器-解码器来构建点云不同点之间的长程关系实现点云重建。
在本申请的一个实施例中,所述第二获取模块,具体用于:
对所述点云数据进行下采样操作,获取点云中心点,并以所述点云中心点扩充为包含多个点的集合;
通过所述多层感知器对所述多个点的集合和所述点云中心点进行特征提取,获取集合特征和位置嵌入,将所述集合特征和所述位置嵌入进行加和,获取所述点代理序列。
在本申请的一个实施例中,所述处理模块,具体用于:
在编码器中,通过多头自注意力层,所述对所述点代理序列中每一个无序点代理将获得其他点代理的信息,并构建点与点之间的关系;
通过前馈神经网络进行特征更新,获取所述点编码向量输入解码器中,所述解码器的交叉注意力层,进行从已知点到未知点的关系构建,通过前馈神经网络输出预测点代理。
在本申请的一个实施例中,所述恢复模块,具体用于:
将所述预测点代理输入多层感知器,获取预测点中心;
在所述预测点中心的基础上,生成围绕所述预测点中心的附属点,获取所述完整点云数据。
在本申请的一个实施例中,所述的装置,还包括:
获取随机向量,通过所述解码器的多头自注意力层对所述随机向量进行处理,与所述点编码向量输入所述解码器的交叉注意力层。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种基于自注意力的多样点云补全方法的流程示意图;
图2为本申请实施例的基于自注意力的多样点云补全方法的流程示例图;
图3为本申请实施例的基于自注意力的多样点云补全的结果示例图;
图4为本申请实施例所提供的一种基于自注意力的多样点云补全装置的结构示意图。。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于自注意力的多样点云补全方法和装置。
图1为本申请实施例一所提供的一种基于自注意力的多样点云补全方法的流程示意图。
如图1所示,该基于自注意力的多样点云补全方法包括以下步骤:
步骤101,获取点云数据,对点云数据进行处理,获取输入点代理序列。
在本申请实施例中,通过三维传感器获取点云数据,点云数据可以传达丰富而详细的三维形状信息。
在本申请实施例中,对点云数据进行处理,获取输入点代理序列的方式有很多种,作为一种示例,对点云数据进行下采样操作,获取点云中心点,并以点云中心点扩充为包含多个点的集合;通过多层感知器对多个点的集合和点云中心点进行特征提取,获取集合特征和位置嵌入,将集合特征和位置嵌入进行加和,获取点代理序列。
也就是说,将点云数据进行点抽象操作,通过找寻中心点并与对应的位置嵌入相加,得到输入的点代理序列。
具体地,Transformer机器模型将一维的单词序列作为输入,为了使三维点云也可以适配该模型,将点云数据先进行点抽象——即通过下采样操作先得到点云中心点,并以每一个中心点为中心,将每一个中心点扩充为包含多个点的集合,并通过一个多层感知器(MLP)进行特征提取。中心点的三维坐标也通过一个多层感知器,并与集合特征进行加和,称其为点代理,通过这样的方式,把数以万计的离散,无序点,构建成了少数无序点代理序列。
步骤102,对点代理序列进行编码,获取点编码向量,对点编码向量进行解码,获取预测点代理。
在本申请实施例中,在编码器中,通过多头自注意力层,对点代理序列中每一个无序点代理将获得其他点代理的信息,并构建点与点之间的关系;通过前馈神经网络进行特征更新,获取点编码向量输入解码器中,解码器的交叉注意力层,进行从已知点到未知点的关系构建,通过前馈神经网络输出预测点代理。
在本申请实施例中,获取随机向量,通过解码器的多头自注意力层对随机向量进行处理,与点编码向量输入所述解码器的交叉注意力层。
也就是说,利用Transformer的编码器对输入序列进行编码,并构建序列间关系,利用Transformer的解码器预测新序列,即定义的预测点代理。
具体地,Transformer编码器-解码器架构,可以模拟语言翻译的过程,将已知点代理“翻译”成预测点代理。在编码器中,通过多头自注意力层,每一个无序点代理将获得其他点代理的信息,并构建点与点之间的关系,再通过前馈神经网络进行特征更新,最后的输出被送往解码器中。解码器的输入是一些各异的随机向量,这些输入先被送入多头自注意力层,再与来自编码器的输出一起送入交叉注意力层,进行从已知点到未知点的关系构建,最后通过前馈神经网络输出预测的点代理,完成了从已知点代理集合到未知点代理集合的翻译工作。
步骤103,将预测点代理输入多层感知器,获取预测点中心,并在预测点中心的基础上恢复完整点云数据。
在本申请实施例中,将预测点代理输入多层感知器,获取预测点中心;在预测点中心的基础上,生成围绕预测点中心的附属点,获取完整点云数据。
具体地,将预测得到的点代理送入一个多层感知器,首先得到若干个预测点中心。得到预测点中心这个粗粒度的重建结果后,在该中心的基础上。再生成更多围绕点中心的附属点。通过这样的多规模重建过程,可以得到一个完整的点云。
举例而言,如图2所示,1)将点云进行点抽象操作,通过找寻中心点并与对应的位置嵌入相加,得到输入的点代理序列;2)利用Transformer的编码器对输入序列进行编码,并构建序列间关系;3)利用Transformer的解码器预测新序列,即我们定义的预测点代理;4)通过预测点代理恢复预测点中心,并在预测点中心的基础上恢复完整点云。
如图3所示的重建示意图,(a)行中较小的点是输入的残缺点云,较大的点是通过本申请的方法预测出来的点中心。(b)行是经过附属点重建后,本申请方法得到的重建点云。(c)行是数据集中真实的完整点云。
由此,解决目前的残缺三维点云补全问题,利用Transformer机制,并采用其编码器-解码器构架来构建点云不同点之间的长程关系。并且发现与现实世界中点云不完整的情况相比,现有数据集中包含的样本还不够具有代表性。因此,引入了两个更具挑战性的基准(benchmark),其中包含更多的物体类别,更多的不完整模式(如不同程度残缺,不同的残缺原因)和更多测试视角。
本申请提出了基于Transformer的点云补全方式。提出了将点云处理成为序列的更科学方式,并构建了基于点代理(point proxy)的点云重建流程;本申请提出的方法与目前最好的方法对比,应用了3%的参数量和7%的计算量,达到了120%的性能。小参数和小计算量非常适合集成到目前的三维硬件设备中;本申请提出了两个更加贴近真实世界的残缺点云补全数据集,在该数据上的训练可以让模型更好地解决真实情况下的残缺点云补全问题。
本申请实施例的基于自注意力的多样点云补全方法,通过获取点云数据,对点云数据进行处理,获取输入点代理序列;对点代理序列进行编码,获取点编码向量,对点编码向量进行解码,获取预测点代理;将预测点代理输入多层感知器,获取预测点中心,并在预测点中心的基础上恢复完整点云数据。由此,将点云处理成为点代理序列,并采用编码器-解码器来构建点云不同点之间的长程关系实现点云重建。
为了实现上述实施例,本申请还提出一种基于自注意力的多样点云补全装置。
图4为本申请实施例提供的一种基于自注意力的多样点云补全装置的结构示意图。
如图4所示,该基于自注意力的多样点云补全装置包括:第一获取模块410、第二获取模块420、处理模块439和恢复模块440。
第一获取模块410,用于获取点云数据。
第二获取模块420,用于对所述点云数据进行处理,获取输入点代理序列。
处理模块430,用于对所述点代理序列进行编码,获取点编码向量,对所述点编码向量进行解码,获取预测点代理。
恢复模块440,用于将所述预测点代理输入多层感知器,获取预测点中心,并在所述预测点中心的基础上恢复完整点云数据。
在本申请的一个实施例中,所述第二获取模块,具体用于:
对所述点云数据进行下采样操作,获取点云中心点,并以所述点云中心点扩充为包含多个点的集合;
通过所述多层感知器对所述多个点的集合和所述点云中心点进行特征提取,获取集合特征和位置嵌入,将所述集合特征和所述位置嵌入进行加和,获取所述点代理序列。
在本申请的一个实施例中,所述处理模块,具体用于:
在编码器中,通过多头自注意力层,所述对所述点代理序列中每一个无序点代理将获得其他点代理的信息,并构建点与点之间的关系;
通过前馈神经网络进行特征更新,获取所述点编码向量输入解码器中,所述解码器的交叉注意力层,进行从已知点到未知点的关系构建,通过前馈神经网络输出预测点代理。
在本申请的一个实施例中,所述恢复模块,具体用于:
将所述预测点代理输入多层感知器,获取预测点中心;
在所述预测点中心的基础上,生成围绕所述预测点中心的附属点,获取所述完整点云数据。
在本申请的一个实施例中,所述的装置,还包括:
获取随机向量,通过所述解码器的多头自注意力层对所述随机向量进行处理,与所述点编码向量输入所述解码器的交叉注意力层。
本申请实施例的基于自注意力的多样点云补全装置,通过获取点云数据,对点云数据进行处理,获取输入点代理序列;对点代理序列进行编码,获取点编码向量,对点编码向量进行解码,获取预测点代理;将预测点代理输入多层感知器,获取预测点中心,并在预测点中心的基础上恢复完整点云数据。由此,将点云处理成为点代理序列,并采用编码器-解码器来构建点云不同点之间的长程关系实现点云重建。
需要说明的是,前述对基于自注意力的多样点云补全方法实施例的解释说明也适用于该实施例的基于自注意力的多样点云补全装置,此处不再赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于自注意力的多样点云补全方法,其特征在于,包括以下步骤:
获取点云数据,对所述点云数据进行处理,获取输入点代理序列;
对所述点代理序列进行编码,获取点编码向量,对所述点编码向量进行解码,获取预测点代理;
将所述预测点代理输入多层感知器,获取预测点中心,并在所述预测点中心的基础上恢复完整点云数据。
2.如权利要求1所述的方法,其特征在,所述对所述点云数据进行处理,获取输入点代理序列,包括:
对所述点云数据进行下采样操作,获取点云中心点,并以所述点云中心点扩充为包含多个点的集合;
通过所述多层感知器对所述多个点的集合和所述点云中心点进行特征提取,获取集合特征和位置嵌入,将所述集合特征和所述位置嵌入进行加和,获取所述点代理序列。
3.如权利要求1所述的方法,其特征在,所述对所述点代理序列进行编码,获取点编码向量,对所述点编码向量进行解码,获取预测点代理,包括:
在编码器中,通过多头自注意力层,所述对所述点代理序列中每一个无序点代理将获得其他点代理的信息,并构建点与点之间的关系;
通过前馈神经网络进行特征更新,获取所述点编码向量输入解码器中,所述解码器的交叉注意力层,进行从已知点到未知点的关系构建,通过前馈神经网络输出预测点代理。
4.如权利要求1所述的方法,其特征在,所述将所述预测点代理输入多层感知器,获取预测点中心,并在所述预测点中心的基础上恢复完整点云数据,包括:
将所述预测点代理输入多层感知器,获取预测点中心;
在所述预测点中心的基础上,生成围绕所述预测点中心的附属点,获取所述完整点云数据。
5.如权利要求3所述的方法,其特征在,还包括:
获取随机向量,通过所述解码器的多头自注意力层对所述随机向量进行处理,与所述点编码向量输入所述解码器的交叉注意力层。
6.一种基于自注意力的多样点云补全装置,其特征在于,包括:
第一获取模块,用于获取点云数据;
第二获取模块,用于对所述点云数据进行处理,获取输入点代理序列;
处理模块,用于对所述点代理序列进行编码,获取点编码向量,对所述点编码向量进行解码,获取预测点代理;
恢复模块,用于将所述预测点代理输入多层感知器,获取预测点中心,并在所述预测点中心的基础上恢复完整点云数据。
7.如权利要求6所述的装置,其特征在,所述第二获取模块,具体用于:
对所述点云数据进行下采样操作,获取点云中心点,并以所述点云中心点扩充为包含多个点的集合;
通过所述多层感知器对所述多个点的集合和所述点云中心点进行特征提取,获取集合特征和位置嵌入,将所述集合特征和所述位置嵌入进行加和,获取所述点代理序列。
8.如权利要求6所述的装置,其特征在,所述处理模块,具体用于:
在编码器中,通过多头自注意力层,所述对所述点代理序列中每一个无序点代理将获得其他点代理的信息,并构建点与点之间的关系;
通过前馈神经网络进行特征更新,获取所述点编码向量输入解码器中,所述解码器的交叉注意力层,进行从已知点到未知点的关系构建,通过前馈神经网络输出预测点代理。
9.如权利要求6所述的装置,其特征在,所述恢复模块,具体用于:
将所述预测点代理输入多层感知器,获取预测点中心;
在所述预测点中心的基础上,生成围绕所述预测点中心的附属点,获取所述完整点云数据。
10.如权利要求8所述的装置,其特征在,还包括:
获取随机向量,通过所述解码器的多头自注意力层对所述随机向量进行处理,与所述点编码向量输入所述解码器的交叉注意力层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593009.XA CN112614071B (zh) | 2020-12-29 | 2020-12-29 | 基于自注意力的多样点云补全方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593009.XA CN112614071B (zh) | 2020-12-29 | 2020-12-29 | 基于自注意力的多样点云补全方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614071A true CN112614071A (zh) | 2021-04-06 |
CN112614071B CN112614071B (zh) | 2022-08-12 |
Family
ID=75248810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011593009.XA Active CN112614071B (zh) | 2020-12-29 | 2020-12-29 | 基于自注意力的多样点云补全方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614071B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298822A (zh) * | 2021-05-18 | 2021-08-24 | 中国科学院深圳先进技术研究院 | 点云数据的选取方法及选取装置、设备、存储介质 |
CN113298952A (zh) * | 2021-06-11 | 2021-08-24 | 哈尔滨工程大学 | 一种基于数据扩容与相似性度量的残缺点云分类网络 |
CN113486988A (zh) * | 2021-08-04 | 2021-10-08 | 广东工业大学 | 一种基于适应性自注意力变换网络的点云补全装置和方法 |
CN113538261A (zh) * | 2021-06-21 | 2021-10-22 | 昆明理工大学 | 一种基于深度学习的残缺钟乳石点云的形状修复方法 |
CN113706686A (zh) * | 2021-07-09 | 2021-11-26 | 苏州浪潮智能科技有限公司 | 一种三维点云重建结果补全方法及相关组件 |
CN113870160A (zh) * | 2021-09-10 | 2021-12-31 | 北京交通大学 | 一种基于变换器神经网络的点云数据处理方法 |
CN114663619A (zh) * | 2022-02-24 | 2022-06-24 | 清华大学 | 一种基于自注意力机制的三维点云物体预测方法和装置 |
CN114926690A (zh) * | 2022-05-31 | 2022-08-19 | 广东省核工业地质局测绘院 | 一种基于计算机视觉的点云自动化分类方法 |
WO2022219384A1 (en) * | 2021-04-15 | 2022-10-20 | Sensetime International Pte. Ltd. | Method and apparatus for generating point cloud encoder,method and apparatus for generating point cloud data, electronic device and computer storage medium |
WO2023196014A1 (en) * | 2022-04-05 | 2023-10-12 | Innopeak Technology, Inc. | Object prior embedded network for query-agnostic image retrieval |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200043199A1 (en) * | 2018-07-13 | 2020-02-06 | Electronics And Telecommunications Research Institute | 3d point cloud data encoding/decoding method and apparatus |
CN111161364A (zh) * | 2019-12-24 | 2020-05-15 | 东南大学 | 一种针对单视角深度图的实时形状补全和姿态估计方法 |
CN111553859A (zh) * | 2020-04-29 | 2020-08-18 | 清华大学 | 一种激光雷达点云反射强度补全方法及系统 |
CN111899353A (zh) * | 2020-08-11 | 2020-11-06 | 长春工业大学 | 一种基于生成对抗网络的三维扫描点云孔洞填补方法 |
WO2020246689A1 (ko) * | 2019-06-05 | 2020-12-10 | 엘지전자 주식회사 | 포인트 클라우드 데이터 전송 장치, 포인트 클라우드 데이터 전송 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
-
2020
- 2020-12-29 CN CN202011593009.XA patent/CN112614071B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200043199A1 (en) * | 2018-07-13 | 2020-02-06 | Electronics And Telecommunications Research Institute | 3d point cloud data encoding/decoding method and apparatus |
WO2020246689A1 (ko) * | 2019-06-05 | 2020-12-10 | 엘지전자 주식회사 | 포인트 클라우드 데이터 전송 장치, 포인트 클라우드 데이터 전송 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
CN111161364A (zh) * | 2019-12-24 | 2020-05-15 | 东南大学 | 一种针对单视角深度图的实时形状补全和姿态估计方法 |
CN111553859A (zh) * | 2020-04-29 | 2020-08-18 | 清华大学 | 一种激光雷达点云反射强度补全方法及系统 |
CN111899353A (zh) * | 2020-08-11 | 2020-11-06 | 长春工业大学 | 一种基于生成对抗网络的三维扫描点云孔洞填补方法 |
Non-Patent Citations (2)
Title |
---|
HAOHAO HUANG 等: "Deep Neural Network for 3D Point Cloud Completion with Multistage Loss Function", 《2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
缪永伟 等: "基于生成对抗网络的点云形状保结构补全", 《中国科学: 信息科学》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022219384A1 (en) * | 2021-04-15 | 2022-10-20 | Sensetime International Pte. Ltd. | Method and apparatus for generating point cloud encoder,method and apparatus for generating point cloud data, electronic device and computer storage medium |
CN113298822A (zh) * | 2021-05-18 | 2021-08-24 | 中国科学院深圳先进技术研究院 | 点云数据的选取方法及选取装置、设备、存储介质 |
CN113298952B (zh) * | 2021-06-11 | 2022-07-15 | 哈尔滨工程大学 | 一种基于数据扩容与相似性度量的残缺点云分类方法 |
CN113298952A (zh) * | 2021-06-11 | 2021-08-24 | 哈尔滨工程大学 | 一种基于数据扩容与相似性度量的残缺点云分类网络 |
CN113538261A (zh) * | 2021-06-21 | 2021-10-22 | 昆明理工大学 | 一种基于深度学习的残缺钟乳石点云的形状修复方法 |
CN113706686B (zh) * | 2021-07-09 | 2023-07-21 | 苏州浪潮智能科技有限公司 | 一种三维点云重建结果补全方法及相关组件 |
CN113706686A (zh) * | 2021-07-09 | 2021-11-26 | 苏州浪潮智能科技有限公司 | 一种三维点云重建结果补全方法及相关组件 |
CN113486988B (zh) * | 2021-08-04 | 2022-02-15 | 广东工业大学 | 一种基于适应性自注意力变换网络的点云补全装置和方法 |
CN113486988A (zh) * | 2021-08-04 | 2021-10-08 | 广东工业大学 | 一种基于适应性自注意力变换网络的点云补全装置和方法 |
CN113870160A (zh) * | 2021-09-10 | 2021-12-31 | 北京交通大学 | 一种基于变换器神经网络的点云数据处理方法 |
CN113870160B (zh) * | 2021-09-10 | 2024-02-27 | 北京交通大学 | 一种基于变换器神经网络的点云数据处理方法 |
CN114663619A (zh) * | 2022-02-24 | 2022-06-24 | 清华大学 | 一种基于自注意力机制的三维点云物体预测方法和装置 |
CN114663619B (zh) * | 2022-02-24 | 2024-06-28 | 清华大学 | 一种基于自注意力机制的三维点云物体预测方法和装置 |
WO2023196014A1 (en) * | 2022-04-05 | 2023-10-12 | Innopeak Technology, Inc. | Object prior embedded network for query-agnostic image retrieval |
CN114926690A (zh) * | 2022-05-31 | 2022-08-19 | 广东省核工业地质局测绘院 | 一种基于计算机视觉的点云自动化分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112614071B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614071B (zh) | 基于自注意力的多样点云补全方法和装置 | |
Zanfir et al. | Deep network for the integrated 3d sensing of multiple people in natural images | |
CN108062754B (zh) | 基于密集网络图像的分割、识别方法和装置 | |
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
KR20210010505A (ko) | 상이한 데이터 모달리티들에 대한 통계적 모델들을 단일화하기 위한 시스템들 및 방법들 | |
Lucas et al. | Posegpt: Quantization-based 3d human motion generation and forecasting | |
CN113706686A (zh) | 一种三维点云重建结果补全方法及相关组件 | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
Jin et al. | An unsupervised multi‐focus image fusion method based on Transformer and U‐Net | |
CN116823850A (zh) | 基于U-Net和Transformer融合改进的心脏MRI分割方法及系统 | |
CN108520532B (zh) | 识别视频中物体运动方向的方法及装置 | |
CN116665110B (zh) | 一种视频动作识别的方法及设备 | |
CN117372617A (zh) | 一种基于GCN-Transformer模型的点云数据重建方法及电子设备 | |
Graham et al. | Unsupervised 3d out-of-distribution detection with latent diffusion models | |
CN116958693A (zh) | 图像分析方法、装置、设备、存储介质和程序产品 | |
Kong et al. | Self-supervised knowledge mining from unlabeled data for bearing fault diagnosis under limited annotations | |
CN114708353B (zh) | 图像重建方法、装置、电子设备与存储介质 | |
WO2023170069A1 (en) | Generating compressed representations of video for efficient learning of video tasks | |
KR102454742B1 (ko) | 뇌 피질 영역의 두께를 분석하는 방법 | |
CN115018856A (zh) | 基于对比学习和空间编码的弱监督医学图像分割配准协同方法 | |
CN114615505A (zh) | 基于深度熵编码的点云属性压缩方法、装置和存储介质 | |
CN112836752A (zh) | 基于深度值的特征图融合的智能采样参数控制方法 | |
Zheng et al. | A Dual Encoder-Decoder Network for Self-supervised Monocular Depth Estimation | |
CN116091758B (zh) | 基于细节提取的图像处理方法、装置、设备及存储介质 | |
Jeong | KGpose: Keypoint-Graph Driven End-to-End Multi-Object 6D Pose Estimation via Point-Wise Pose Voting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |