CN115862013B - 基于注意力机制的输配电场景点云语义分割模型训练方法 - Google Patents
基于注意力机制的输配电场景点云语义分割模型训练方法 Download PDFInfo
- Publication number
- CN115862013B CN115862013B CN202310088119.8A CN202310088119A CN115862013B CN 115862013 B CN115862013 B CN 115862013B CN 202310088119 A CN202310088119 A CN 202310088119A CN 115862013 B CN115862013 B CN 115862013B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- feature map
- power transmission
- semantic segmentation
- distribution
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于注意力机制的输配电场景点云语义分割模型训练方法。所述方法包括:获取输配电场景点云对应的电场景点云训练数据;根据电场景点云训练数据,得到输配电场景点云近邻图;将输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个点云尺度特征图;基于特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到各融合特征图;将各融合特征图输入至分类模块中,得到至少两个类别分类信息;根据各类别分类信息对待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型,能够有效提升了电网输配电场景点云语义分割的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于注意力机制的输配电场景点云语义分割模型训练方法、装置和计算机设备。
背景技术
随着计算机技术的发展,出现了点云分割技术,这个技术是根据空间,几何和纹理等特征对点云进行划分,使得同一划分内的点云拥有相似的特征,点云的有效分割往往是许多应用的前提,例如:在逆向工作中,CAD领域对零件的不同扫描表面进行分割,然后才能更好的进行空洞修复曲面重建,特征描述和提取,进而进行基于3D内容的检索,组合重用等。
传统技术中,输配电场景点云的点云分割主要通过普通的卷积神经网络(CNN)实现输配电场景点云语义分割,虽然该类方法虽然可以通过卷积神经网络模型的学习能力提取一定的点云特征信息和语义信息,但是输配电场景范围广阔,背景复杂,普通的卷积神经网络模型无法深度挖掘出输电场景点云数据的电力相关信息,容易导致点云语义分割结果存在明显的误判。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高输配电场景点云中点云语义分割结果准确率的基于注意力机制的电场景点云语义分割模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于注意力机制的输配电场景点云语义分割模型训练方法。所述方法包括:获取输配电场景点云对应的电场景点云训练数据;所述电场景点云训练数据通过对所述输配电场景点云对应的初始电场景点云数据进行标注得到的;根据所述电场景点云训练数据,得到所述输配电场景点云对应的输配电场景点云近邻图;将所述输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个所述输配电场景点云对应的点云尺度特征图;基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图;将各所述融合特征图输入至所述待训练的点云语义分割模型中的分类模块中,得到所述输配电场景点云中各点对应的至少两个类别分类信息;根据各所述类别分类信息对所述待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
第二方面,本申请还提供了一种基于注意力机制的输配电场景点云语义分割方法。所述方法包括:获取已训练的点云语义分割模型;所述已训练的点云语义分割模型为根据所述一种基于注意力机制的输配电场景点云语义分割模型训练方法训练得到的;获取输配电场景点云对应的待分割输配电场景点云数据;将所述待分割输配电场景点云数据输入至所述已训练的点云语义分割模型,得到所述输配电场景点云对应的目标类别分类信息。
第三方面,本申请还提供了一种基于注意力机制的输配电场景点云语义分割模型训练装置。所述装置包括:
数据获取模块,用于获取输配电场景点云对应的电场景点云训练数据;所述电场景点云训练数据通过对所述输配电场景点云对应的初始电场景点云数据进行标注得到的;数据构建模块,用于根据所述电场景点云训练数据,得到所述输配电场景点云对应的输配电场景点云近邻图;特征提取模块,用于将所述输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个所述输配电场景点云对应的点云尺度特征图;特征融合模块,用于基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图;特征分类模块,用于将各所述融合特征图输入至所述待训练的点云语义分割模型中的分类模块中,得到所述输配电场景点云中各点对应的至少两个类别分类信息;模型训练模块,用于根据各所述类别分类信息对所述待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
第四方面,本申请还提供了一种基于注意力机制的输配电场景点云语义分割装置。所述装置包括:模型获取模块,用于获取已训练的点云语义分割模型;所述已训练的点云语义分割模型为根据所述一种基于注意力机制的输配电场景点云语义分割模型训练方法训练得到的;数据得到模块,用于获取输配电场景点云对应的待分割输配电场景点云数据;数据分类模块,用于将所述待分割输配电场景点云数据输入至所述已训练的点云语义分割模型,得到所述输配电场景点云对应的目标类别分类信息。
第五方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取输配电场景点云对应的电场景点云训练数据;所述电场景点云训练数据通过对所述输配电场景点云对应的初始电场景点云数据进行标注得到的;根据所述电场景点云训练数据,得到所述输配电场景点云对应的输配电场景点云近邻图;将所述输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个所述输配电场景点云对应的点云尺度特征图;基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图;将各所述融合特征图输入至所述待训练的点云语义分割模型中的分类模块中,得到所述输配电场景点云中各点对应的至少两个类别分类信息;根据各所述类别分类信息对所述待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
上述一种基于注意力机制的输配电场景点云语义分割模型训练方法、装置和计算机设备,通过获取输配电场景点云对应的电场景点云训练数据;电场景点云训练数据通过对输配电场景点云对应的初始电场景点云数据进行标注得到的;根据电场景点云训练数据,得到输配电场景点云对应的输配电场景点云近邻图;将输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个输配电场景点云对应的点云尺度特征图;基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图;将各融合特征图输入至待训练的点云语义分割模型中的分类模块中,得到输配电场景点云中各点对应的至少两个类别分类信息;根据各类别分类信息对待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
通过构建K近邻图,显示地建立点与点之间的几何结构特征,并针对输配电场景点云特征层次复杂的问题,使用改进的DGCNN网络依次在浅层特征空间、深层特征空间对动态变化的特征图进行特征提取,有效扩大了特征提取网络的感受野,并能提取更丰富的局部和全局特征;同时,通过对不同层次上的特征信息基于SE-Net注意力机制进行上下信息融合,让网络充分结合电网设备的背景环境信息进行分割,解决了深度挖掘输电场景点云数据的电力相关上下文信息,在复杂环境中关注重点特征信息,提取点云全局及局部特征信息,网络训练等问题,有效提升了电网输配电场景点云语义分割的准确率。
附图说明
图1为一个实施例中一种基于注意力机制的输配电场景点云语义分割模型训练方法的应用环境图;
图2为一个实施例中一种基于注意力机制的输配电场景点云语义分割模型训练方法的流程示意图;
图3为一个实施例中各融合特征图得到方法的流程示意图;
图4为另一个实施例中各融合特征图得到方法的流程示意图;
图5为又一个实施例中各融合特征图得到方法的流程示意图;
图6为一个实施例中非第一个点云尺度特征图得到方法的流程示意图;
图7为一个实施例中类别分类信息确定方法的流程示意图;
图8为一个实施例中一种基于注意力机制的输配电场景点云语义分割方法的流程示意图;
图9为一个实施例中输配电场景点云近邻图构造方法的原理示意图;
图10为一个实施例中结合上下文注意力机制的点云语义分割模型示意图;
图11为一个实施例中一种基于注意力机制的输配电场景点云语义分割模型训练装置的结构框图;
图12为一个实施例中一种基于注意力机制的输配电场景点云语义分割装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的一种基于注意力机制的输配电场景点云语义分割模型训练方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104从终端102处获取输配电场景点云对应的电场景点云训练数据;电场景点云训练数据通过对输配电场景点云对应的初始电场景点云数据进行标注得到的;根据电场景点云训练数据,得到输配电场景点云对应的输配电场景点云近邻图;将输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个输配电场景点云对应的点云尺度特征图;基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图;将各融合特征图输入至待训练的点云语义分割模型中的分类模块中,得到输配电场景点云中各点对应的至少两个类别分类信息;根据各类别分类信息对待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于注意力机制的输配电场景点云语义分割模型训练方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取输配电场景点云对应的输配电场景点云训练数据。
其中,输配电场景点云训练数据可以是具有输配电场景点云场景,且用来训练点云语义分割模型的数据,其中,输配电场景点云训练数据通过对输配电场景点云对应的初始输配电场景点云数据进行标注得到的。
具体地,服务器响应终端的指令,从终端处获取输配电场景点云对应的电场景点云训练数据,并且将获取到的输配电场景点云训练数据存储到存储单元中,当服务器需要对输配电场景点云训练数据中的任意数据记录进行处理时,则从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中,任意数据记录可以是单个数据输入至中央处理器,也可以为多个数据同时输入至中央处理器。其中,输配电场景点云训练数据通过对输配电场景点云对应的初始输配电场景点云数据进行标注得到的,标注方法为对输配电场景点云训练数据进行分类,区分导线、杆塔、树木、房屋四个类别。完成标注的点云数据包含XYZ空间坐标和类别标签,作为下一步网络训练和测试的数据集。
步骤204,根据输配电场景点云训练数据,得到输配电场景点云对应的输配电场景点云近邻图。
其中,输配电场景点云近邻图可以是电场景点云训练数据通过邻近算法,或者说K最邻近(KNN,K-NearestNeighbor)处理得到的近邻图。
其中,C0代表输入点云的通道数,C代表输入点云近邻图的通道数,N代表中心点个数,K代表每个中心的近邻点个数。构造K近邻图的过程如图9所示。
步骤206,将输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个输配电场景点云对应的点云尺度特征图。
其中,待训练的点云语义分割模型为未被训练,但是已经构建好的点云语义分割模型,用来对输配电场景点云的数据进行语义分割。
具体地,点云语义分割模型主要由两个部分构成,一个用于提取上下文信息和几何结构信息的改进的DGCNN编码器,一个用于逐点分类的MLP分类器,如图10所示。
针对改进的DGCNN编码器,如图10所示,将输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,利用DGCNN编码器的特征提取模块依次在五个尺度上(代表由浅到深的特征空间)对输配电场景点云近邻图进行边卷积,得到编码了全局特征和局部特征的五个尺度特征图,分别为:F1,F2,F3,F4,F5。
步骤208,基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图。
其中,融合模块可以是将不同的点云尺度特征图结合到同一个特征向量(特征图)的人工智能模型。
具体地,针对第一个融合特征图的融合过程。基于待训练的点云语义分割模型,第一:将输配电场景点云近邻图进行边卷积处理,得到第一个点云尺度特征图;第二:将第一个点云尺度特征图进行注意力校准后,得到第一个校准后点云尺度特征图;第三:将第一个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第四:将结合后的点云尺度特征图进行边卷积处理,得到第二个点云尺度特征图;第五:将第二个点云尺度特征图进行注意力校准后,得到第二个校准后点云尺度特征图;第六:将第一个校准后点云尺度特征图与第二个校准后点云尺度特征图进行融合,得到第一个融合特征图,并输出至待训练的点云语义分割模型中的分类模块。
针对第二个融合特征图的融合过程。基于待训练的点云语义分割模型,第一:将输配电场景点云近邻图进行边卷积处理,得到第一个点云尺度特征图;第二:将第一个点云尺度特征图进行注意力校准后,得到第一个校准后点云尺度特征图;第三:将第一个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第四:将结合后的点云尺度特征图进行边卷积处理,得到第二个点云尺度特征图;第五:将第二个点云尺度特征图进行注意力校准后,得到第二个校准后点云尺度特征图;第六:将第二个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第七:将结合后的点云尺度特征图进行边卷积处理,得到第三个点云尺度特征图;第八:将第三个点云尺度特征图进行注意力校准后,得到第三个校准后点云尺度特征图;第九:将第一个校准后点云尺度特征图、第二个校准后点云尺度特征图以及第三个校准后点云尺度特征图进行融合,得到第二个融合特征图,并输出至待训练的点云语义分割模型中的分类模块。
如此类推,针对第N个融合特征图的融合过程。基于待训练的点云语义分割模型,第一:将第N-2个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第N-1个点云尺度特征图;第三:将第N-1个点云尺度特征图进行注意力校准后,得到第N-1个校准后点云尺度特征图;第四:将第N-1个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第五:将结合后的点云尺度特征图进行边卷积处理,得到第N个点云尺度特征图;第六:将第N个点云尺度特征图进行注意力校准后,得到第N个校准后点云尺度特征图;第七:将第N个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第八:将结合后的点云尺度特征图进行边卷积处理,得到第N+1个点云尺度特征图;第九:将第N+1个点云尺度特征图进行注意力校准后,得到第N+1个校准后点云尺度特征图;第十:将第N-1个校准后点云尺度特征图、第N个校准后点云尺度特征图以第N+1个校准后点云尺度特征图进行融合,得到第N个融合特征图,并输出至待训练的点云语义分割模型中的分类模块。
针对最后一个融合特征图K的融合过程,基于待训练的点云语义分割模型,第一:将第K-2个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第K-1个点云尺度特征图;第三:将第K-1个点云尺度特征图进行注意力校准后,得到第K-1个校准后点云尺度特征图;第四:将第K-1个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第五:将结合后的点云尺度特征图进行边卷积处理,得到第K个点云尺度特征图;第六:将第K个点云尺度特征图进行注意力校准后,得到第N个校准后点云尺度特征图;第七:将第K-1个校准后点云尺度特征图以及第K个校准后点云尺度特征图进行融合,得到第K个融合特征图,并输出至待训练的点云语义分割模型中的分类模块,得到输配电场景点云对应的各融合特征图。
步骤210,将各融合特征图输入至待训练的点云语义分割模型中的分类模块中,得到输配电场景点云中各点对应的至少两个类别分类信息。
其中,分类模块可以是将不同的融合特征图进行分类并给出概率的人工智能模型。
其中,类别分类信息可以是融合特征图通过分类模块进行分类后,得到每个类别对应的概率。
具体地,基于待训练的点云语义分割模型中的分类模块中的MLP逐点分类器,对各融合特征图的每个点进行分类,实现整体点云的语义分割,其中,对每个点的分类类别为四类:导线、杆塔、树木、房屋,对每个点输出一个代表所属类别的概率矩阵,概率矩阵的表达式如:。
根据每个点的导线、杆塔、树木、房屋的分类类别所对应的类别的概率矩阵,计算出每个点的导线、杆塔、树木、房屋的分类类别所对应的分类概率,即输配电场景点云对应的导线、杆塔、树木、房屋的类别分类信息。
步骤212,根据各类别分类信息对待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
具体地,已训练的点云语义分割模型为已被训练的点云语义分割模型,用来对输配电场景点云的数据进行语义分割。
具体地,根据各类别分类信息,并使用交叉熵损失函数,就可对点云语义分割模型进行端到端的训练。交叉熵损失函数公式如下所示:
其中,N为单个点云样本中点的数量,M为类别数量(在本方案中M = 4),为第j个点属于第i类的真实标签,若属于第j类则取值为1,反之为0;/>为第j个点属于第i类的预测概率,单个点云样本的损失值为所含各点损失的平均值。
根据交叉熵损失函数的计算结果,对点云语义分割模型的模型参数进行调整,并返回执行“服务器响应终端的指令,从终端处获取输配电场景点云对应的电场景点云训练数据,并且将获取到的电场景点云训练数据存储到存储单元中,当服务器需要对输配电场景点云训练数据中的任意数据记录进行处理时,则从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中,任意数据记录可以是单个数据输入至中央处理器,也可以为多个数据同时输入至中央处理器”,直到交叉熵损失函数的计算结果满足预设条件,则得到可用于对输配电场景点云进行点云语义分割的已训练的点云语义分割模型。
上述一种基于注意力机制的输配电场景点云语义分割模型训练方法中,通过获取输配电场景点云对应的电场景点云训练数据;电场景点云训练数据通过对输配电场景点云对应的初始电场景点云数据进行标注得到的;根据电场景点云训练数据,得到输配电场景点云对应的输配电场景点云近邻图;将输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个输配电场景点云对应的点云尺度特征图;基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图;将各融合特征图输入至待训练的点云语义分割模型中的分类模块中,得到输配电场景点云中各点对应的至少两个类别分类信息;根据各类别分类信息对待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
通过构建K近邻图,显示地建立点与点之间的几何结构特征,并针对输配电场景点云特征层次复杂的问题,使用改进的DGCNN网络依次在浅层特征空间、深层特征空间对动态变化的特征图进行特征提取,有效扩大了特征提取网络的感受野,并能提取更丰富的局部和全局特征;同时,通过对不同层次上的特征信息基于SE-Net注意力机制进行上下信息融合,让网络充分结合电网设备的背景环境信息进行分割,解决了深度挖掘输电场景点云数据的电力相关上下文信息,在复杂环境中关注重点特征信息,提取点云全局及局部特征信息,网络训练等问题,有效提升了电网输配电场景点云语义分割的准确率。
在一个实施例中,如图3所示,基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图,包括:
步骤302,基于待训练的点云语义分割模型中的特征融合模块,将点云尺度特征图进行注意力校准,得到校准后点云尺度特征图。
其中,注意力校准可以是使用注意力模型对特征数据进行校准。
具体地,针对第N个融合特征图的融合过程,将第N个点云尺度特征图作为目标对象,第一:将第N-1个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第N个点云尺度特征图;第三:将第N个点云尺度特征图进行注意力校准后,得到第N个校准后点云尺度特征图。
步骤304,基于待训练的点云语义分割模型中的特征融合模块,将上一个相邻的点云尺度特征图进行注意力校准,得到上一个校准后点云尺度特征图。
具体地,将第N个点云尺度特征图作为目标对象,则上一个点云尺度特征图为第N-1个点云尺度特征图。则第一:将第N-2个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第N-1个点云尺度特征图;第三:将第N-1个点云尺度特征图进行注意力校准后,得到第N-1个校准后点云尺度特征图。
步骤306,基于待训练的点云语义分割模型中的特征融合模块,将下一个相邻的点云尺度特征图进行注意力校准,得到下一个校准后点云尺度特征图。
具体地,将第N个点云尺度特征图作为目标对象,则下一个点云尺度特征图为第N+1个点云尺度特征图。第一:将第N个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第N+1个点云尺度特征图;第三:将第N+1个点云尺度特征图进行注意力校准后,得到第N+1个校准后点云尺度特征图。
步骤308,将校准后点云尺度特征图、上一个校准后点云尺度特征图以及下一个校准后点云尺度特征图,得到输配电场景点云对应的各融合特征图。
具体地,将第N-1个校准后点云尺度特征图、第N个校准后点云尺度特征图以及第N+1个校准后点云尺度特征图进行融合,得到第N个融合特征图,并输出至待训练的点云语义分割模型中的分类模块,得到输配电场景点云对应的各融合特征图。
本实施例中,通过结合点云尺度特征图、上一个点云尺度特征图以及点云尺度特征图,能够使得点云语义分割模型在深度挖掘输电场景点云数据的时候关注到电力相关上下文信息,提高了点云语义分割模型的语义分割的准确率。
在一个实施例中,如图4所示,基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图,包括:
步骤402,基于待训练的点云语义分割模型中的特征融合模块,将点云尺度特征图进行注意力校准,得到校准后点云尺度特征图。
具体地,针对第K个融合特征图的融合过程,将第K个点云尺度特征图作为目标对象,且第K个点云尺度特征图为最后一个点云尺度特征图。第一:将第K-1个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第K个点云尺度特征图;第三:将第K个点云尺度特征图进行注意力校准后,得到第N个校准后点云尺度特征图。
步骤404,基于待训练的点云语义分割模型中的特征融合模块,将上一个相邻的点云尺度特征图进行注意力校准,得到上一个校准后点云尺度特征图。
具体地,将第K个点云尺度特征图作为目标对象,则上一个点云尺度特征图为第K-1个点云尺度特征图。第一:将第K-2个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第K-1个点云尺度特征图;第三:将第K-1个点云尺度特征图进行注意力校准后,得到第K-1个校准后点云尺度特征图。
步骤406,将校准后点云尺度特征图以及上一个校准后点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图。
具体地,将第K-1个校准后点云尺度特征图以及第K个校准后点云尺度特征图进行融合,得到第K个融合特征图,并输出至待训练的点云语义分割模型中的分类模块,得到输配电场景点云对应的各融合特征图。
本实施例中,在最后一个融和特征图中,通过结合点云尺度特征图以及上一个点云尺度特征图,能够使得点云语义分割模型在深度挖掘输电场景点云数据的时候关注到电力相关上文信息,避免出现最后的点云尺度特征图出现孤立现象,提高了点云语义分割模型的语义分割的准确率。
在一个实施例中,如图5所示,基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图,包括:
步骤502,基于待训练的点云语义分割模型中的特征融合模块,将点云尺度特征图进行注意力校准,得到校准后点云尺度特征图。
具体地,针对第一个融合特征图的融合过程,将第一个点云尺度特征图作为目标对象。第一:将输配电场景点云近邻图进行边卷积处理,得到第一个点云尺度特征图;第二:将第一个点云尺度特征图进行注意力校准后,得到第一个校准后点云尺度特征图。
步骤504,基于待训练的点云语义分割模型中的特征融合模块,将下一个相邻的点云尺度特征图进行注意力校准,得到下一个校准后点云尺度特征图。
具体地,将第一个点云尺度特征图作为目标对象,则下一个点云尺度特征图为第二个点云尺度特征图。第一:将第一个点云尺度特征图与输配电场景点云近邻图进行结合,得到结合后的点云尺度特征图;第二:将结合后的点云尺度特征图进行边卷积处理,得到第二个点云尺度特征图;第三:将第二个点云尺度特征图进行注意力校准后,得到第二个校准后点云尺度特征图。
步骤506,将校准后点云尺度特征图以及下一个校准后点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图。
具体地,将第一个校准后点云尺度特征图与第二个校准后点云尺度特征图进行融合,得到第一个融合特征图,并输出至待训练的点云语义分割模型中的分类模块,得到输配电场景点云对应的各融合特征图。
本实施例中,在第一个融和特征图中,通过结合点云尺度特征图以及下一个点云尺度特征图,能够使得点云语义分割模型在深度挖掘输电场景点云数据的时候关注到电力相关下文信息,避免出现最后的点云尺度特征图出现孤立现象,提高了点云语义分割模型的语义分割的准确率。
在一个实施例中,如图6所示,在将下一个相邻的点云尺度特征图进行注意力校准,得到下一个校准后点云尺度特征图步骤之前,还包括:
步骤602,将点云尺度特征图与输配电场景点云近邻图进行结合,得到预处理点云尺度特征图。
具体地,将点云尺度特征图与输配电场景点云近邻图进行相互作用,利用输配电场景点云近邻图的特性,对点云尺度特征图的数据进行调整,得到预处理点云尺度特征图。
步骤604,将预处理点云尺度特征图进行边卷积处理,得到下一个相邻的点云尺度特征图。
具体地,将预处理点云尺度特征图进行边卷积处理,得到下一个相邻的点云尺度特征图。其中,边卷积处理方式可以有四种,上述的边卷积处理根据业务需求,从中选择任意一种,第一:效仿图像卷积的方式,当前点的卷积操作为当前点多对应的局部区域中的邻近点的加权和,即边特征只由邻近点特征构成;第二:边特征由中心点与某一邻近点的输入做串联之后输入MLP计算得到,但仅仅考虑了点的全局位置信息;第三:边特征由中心点与某一邻近点的输入做串联之后输入MLP计算得到,但仅仅考虑了点的全局位置信息;第四:将中心点的特征与两点的特征差串联后输入MLP,边特征就融合了点之间的局部关系与点的全局信息。
本实施例中,通过使用边卷积的处理方法对点云尺度特征图进行处理,来完成点云中点与点之间关系的建模,能够使得点云语义分割模型能够更好地学习局部和全局特征。
在一个实施例中,如图7所示,将各融合特征图输入至待训练的点云语义分割模型中的分类模块中,得到输配电场景点云中各点对应的至少两个类别分类信息,包括:
步骤702,基于待训练的点云语义分割模型中的分类模块,对各融合特征图进行分类,得到各融合特征图对应的至少两个类别信息矩阵。
其中,类别信息矩阵可以是包含了输配电场景点云中不同类型利用点云语义分割模型的分类结果信息的矩阵。
具体地,基于待训练的点云语义分割模型中的分类模块中的MLP逐点分类器,对各融合特征图的每个点进行分类,实现整体点云的语义分割,其中,对每个点的分类类别为四类:导线、杆塔、树木、房屋,对每个点输出一个代表所属类别的概率矩阵,概率矩阵的表达式如:。
步骤704,根据各类别信息矩阵,确定输配电场景点云中各点对应的至少两个类别分类信息。
具体地,根据每个点的导线、杆塔、树木、房屋的分类类别所对应的类别的概率矩阵,计算出每个点的导线、杆塔、树木、房屋的分类类别所对应的分类概率,即输配电场景点云中各点对应的导线、杆塔、树木、房屋的类别分类信息。
本实施例中,通过使用融合特征图对应的多个类别信息矩阵进一步计算点云语义分割模型的分类结果,能够将分类情况细致到输入数据的任意一个点,提高了点云语义分割的精度。
在一个实施例中,如图8所示,一种基于注意力机制的输配电场景点云语义分割方法,方法包括:
步骤802,获取已训练的点云语义分割模型。
具体地,服务器从终端处获取通过一种基于注意力机制的输配电场景点云语义分割模型训练方法训练得到的点云语义分割模型。
步骤804,获取输配电场景点云对应的待分割输配电场景点云数据。
其中,待分割输配电场景点云数据可以是具有输配电场景点云场景,且被点云语义分割模型进行处理的数据,其中,待分割输配电场景点云数据是通过对输配电场景点云对应的初始电场景点云数据进行标注得到的。
具体地,根据输配电场景点云的业务需求,服务器从终端处获取通过对输配电场景点云对应的初始电场景点云数据,并且根据业务需求进行标注,得到的待分割输配电场景点云数据。
步骤806,将待分割输配电场景点云数据输入至已训练的点云语义分割模型,得到输配电场景点云对应的目标类别分类信息。
其中,目标类别分类信息可以是点云语义分割模型进行语义分割所得到的分割结果。
具体地,第一步:将待分割输配电场景点云数据输入至已训练的点云语义分割模型的邻近算法处理,得到待分割输配电场景点云临近图;第二步,将待分割输配电场景点云临近图进行特征提取,得到至少两个输配电场景点云对应的待分割点云尺度特征图;第三步:将待分割点云尺度特征图与至少一个相邻的待分割点云尺度特征图进行融合,得到各待分割融合特征图;第四步:将各待分割融合特征图进行分类,得到输配电场景点云对应的目标类别分类信息。
本实施例中,通过使用点云语义分割模型对输配电场景点云对应的待分割输配电场景点云数据进行语义分割,能够达到快速且准确地识别出输配电场景点云中不同类别的物品,并且了解这些物品对输配电场景点云运行的影响,提高输配电场景点云运行的安全性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于注意力机制的电场景点云语义分割模型训练方法的一种基于注意力机制的输配电场景点云语义分割模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于注意力机制的电场景点云语义分割模型训练装置实施例中的具体限定可以参见上文中对于一种基于注意力机制的输配电场景点云语义分割模型训练方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种基于注意力机制的输配电场景点云语义分割模型训练装置,包括:数据获取模块1102、数据构建模块1104、特征提取模块1106、特征融合模块1108、特征分类模块1110和模型训练模块1112,其中:
数据获取模块1102,用于获取输配电场景点云对应的输配电场景点云训练数据;输配电场景点云训练数据通过对输配电场景点云对应的初始输配电场景点云数据进行标注得到的;
数据构建模块1104,用于根据电场景点云训练数据,得到输配电场景点云对应的输配电场景点云近邻图;
特征提取模块1106,用于将输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个输配电场景点云对应的点云尺度特征图;
特征融合模块1108,用于基于待训练的点云语义分割模型中的特征融合模块,将各点云尺度特征图与至少一个相邻的点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图;
特征分类模块1110,用于将各融合特征图输入至待训练的点云语义分割模型中的分类模块中,得到输配电场景点云中各点对应的至少两个类别分类信息;
模型训练模块1112,用于根据各类别分类信息对待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
在一个实施例中,特征融合模块1108,还用于基于待训练的点云语义分割模型中的特征融合模块,将点云尺度特征图进行注意力校准,得到校准后点云尺度特征图;基于待训练的点云语义分割模型中的特征融合模块,将上一个相邻的点云尺度特征图进行注意力校准,得到上一个校准后点云尺度特征图;基于待训练的点云语义分割模型中的特征融合模块,将下一个相邻的点云尺度特征图进行注意力校准,得到下一个校准后点云尺度特征图;将校准后点云尺度特征图、上一个校准后点云尺度特征图以及下一个校准后点云尺度特征图,得到输配电场景点云对应的各融合特征图。
在一个实施例中,特征融合模块1108,还用于基于待训练的点云语义分割模型中的特征融合模块,将点云尺度特征图进行注意力校准,得到校准后点云尺度特征图;基于待训练的点云语义分割模型中的特征融合模块,将上一个相邻的点云尺度特征图进行注意力校准,得到上一个校准后点云尺度特征图;将校准后点云尺度特征图以及上一个校准后点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图。
在一个实施例中,特征融合模块1108,还用于基于待训练的点云语义分割模型中的特征融合模块,将点云尺度特征图进行注意力校准,得到校准后点云尺度特征图;基于待训练的点云语义分割模型中的特征融合模块,将下一个相邻的点云尺度特征图进行注意力校准,得到下一个校准后点云尺度特征图;将校准后点云尺度特征图以及下一个校准后点云尺度特征图进行融合,得到输配电场景点云对应的各融合特征图。
在一个实施例中,特征提取模块1106,还用于将点云尺度特征图与输配电场景点云近邻图进行结合,得到预处理点云尺度特征图;将预处理点云尺度特征图进行边卷积处理,得到下一个相邻的点云尺度特征图。
在一个实施例中,特征分类模块1110,还用于基于待训练的点云语义分割模型中的分类模块,对各融合特征图进行分类,得到各融合特征图对应的至少两个类别信息矩阵;根据各类别信息矩阵,确定输配电场景点云中各点对应的至少两个类别分类信息。
在一个实施例中,如图12所示,提供了一种基于注意力机制的输配电场景点云语义分割装置,包括:模型获取模块1202、数据得到模块1204和数据分类模块1206,其中:
模型获取模块1202,用于获取已训练的点云语义分割模型;已训练的点云语义分割模型为根据基于一种基于注意力机制的输配电场景点云语义分割模型训练方法训练得到的;
数据得到模块1204,用于获取输配电场景点云对应的待分割输配电场景点云数据;
数据分类模块1206,用于将待分割输配电场景点云数据输入至已训练的点云语义分割模型,得到输配电场景点云对应的目标类别分类信息。
上述一种基于注意力机制的输配电场景点云语义分割模型训练装置和一种基于注意力机制的输配电场景点云语义分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于注意力机制的输配电场景点云语义分割模型训练方法以及一种基于注意力机制的输配电场景点云语义分割方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于注意力机制的输配电场景点云语义分割模型训练方法,其特征在于,所述方法包括:
获取输配电场景点云对应的输配电场景点云训练数据;所述输配电场景点云训练数据通过对所述输配电场景点云对应的初始输配电场景点云数据进行标注得到的;
根据所述输配电场景点云训练数据,得到所述输配电场景点云对应的输配电场景点云近邻图;
将所述输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个所述输配电场景点云对应的点云尺度特征图;
基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图;其中,通过将所述点云尺度特征图与所述输配电场景点云近邻图进行结合,得到预处理点云尺度特征图;将所述预处理点云尺度特征图进行边卷积处理,得到下一个相邻的所述点云尺度特征图;
将各所述融合特征图输入至所述待训练的点云语义分割模型中的分类模块中,得到所述输配电场景点云中各点对应的至少两个类别分类信息;
根据各所述类别分类信息对所述待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图,包括:
基于所述待训练的点云语义分割模型中的特征融合模块,将所述点云尺度特征图进行注意力校准,得到校准后点云尺度特征图;
基于所述待训练的点云语义分割模型中的特征融合模块,将上一个相邻的所述点云尺度特征图进行注意力校准,得到上一个校准后点云尺度特征图;
基于所述待训练的点云语义分割模型中的特征融合模块,将下一个相邻的所述点云尺度特征图进行注意力校准,得到下一个校准后点云尺度特征图;
将所述校准后点云尺度特征图、所述上一个校准后点云尺度特征图以及所述下一个校准后点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图。
3.根据权利要求2所述的方法,其特征在于,所述基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图,包括:
基于所述待训练的点云语义分割模型中的特征融合模块,将所述点云尺度特征图进行注意力校准,得到所述校准后点云尺度特征图;
基于所述待训练的点云语义分割模型中的特征融合模块,将上一个相邻的所述点云尺度特征图进行注意力校准,得到所述上一个校准后点云尺度特征图;
将所述校准后点云尺度特征图以及所述上一个校准后点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图。
4.根据权利要求2所述的方法,其特征在于,所述基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图,包括:
基于所述待训练的点云语义分割模型中的特征融合模块,将所述点云尺度特征图进行注意力校准,得到所述校准后点云尺度特征图;
基于所述待训练的点云语义分割模型中的特征融合模块,将下一个相邻的所述点云尺度特征图进行注意力校准,得到所述下一个校准后点云尺度特征图;
将所述校准后点云尺度特征图以及所述下一个校准后点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图。
5.根据权利要求1所述的方法,其特征在于,所述将各所述融合特征图输入至所述待训练的点云语义分割模型中的分类模块中,得到所述输配电场景点云中各点对应的至少两个类别分类信息,包括:
基于所述待训练的点云语义分割模型中的分类模块,对各所述融合特征图进行分类,得到各所述融合特征图对应的至少两个类别信息矩阵;
根据各所述类别信息矩阵,确定所述输配电场景点云中各点对应的至少两个类别分类信息。
6.一种基于注意力机制的输配电场景点云语义分割方法,其特征在于,所述方法包括:
获取已训练的点云语义分割模型;所述已训练的点云语义分割模型为根据如权利要求1至5中任一项所述基于注意力机制的电场景点云语义分割模型训练方法训练得到的;
获取输配电场景点云对应的待分割输配电场景点云数据;
将所述待分割输配电场景点云数据输入至所述已训练的点云语义分割模型,得到所述输配电场景点云对应的目标类别分类信息。
7.一种基于注意力机制的输配电场景点云语义分割模型训练装置,其特征在于,所述装置包括:
数据获取模块,用于获取输配电场景点云对应的电场景点云训练数据;所述输配电场景点云训练数据通过对所述输配电场景点云对应的初始电场景点云数据进行标注得到的;
数据构建模块,用于根据所述输配电场景点云训练数据,得到所述输配电场景点云对应的输配电场景点云近邻图;
特征提取模块,用于将所述输配电场景点云近邻图输入至待训练的点云语义分割模型中的特征提取模块中,得到至少两个所述输配电场景点云对应的点云尺度特征图;
特征融合模块,用于基于所述待训练的点云语义分割模型中的特征融合模块,将各所述点云尺度特征图与至少一个相邻的所述点云尺度特征图进行融合,得到所述输配电场景点云对应的各融合特征图;其中,通过将所述点云尺度特征图与所述输配电场景点云近邻图进行结合,得到预处理点云尺度特征图;将所述预处理点云尺度特征图进行边卷积处理,得到下一个相邻的所述点云尺度特征图;
特征分类模块,用于将各所述融合特征图输入至所述待训练的点云语义分割模型中的分类模块中,得到所述输配电场景点云中各点对应的至少两个类别分类信息;
模型训练模块,用于根据各所述类别分类信息对所述待训练的点云语义分割模型进行训练,得到已训练的点云语义分割模型。
8.一种基于注意力机制的输配电场景点云语义分割装置,其特征在于,所述装置包括:
模型获取模块,用于获取已训练的点云语义分割模型;所述已训练的点云语义分割模型为根据如权利要求1至5中任一项所述基于注意力机制的电场景点云语义分割模型训练方法训练得到的;
数据得到模块,用于获取输配电场景点云对应的待分割输配电场景点云数据;
数据分类模块,用于将所述待分割输配电场景点云数据输入至所述已训练的点云语义分割模型,得到所述输配电场景点云对应的目标类别分类信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310088119.8A CN115862013B (zh) | 2023-02-09 | 2023-02-09 | 基于注意力机制的输配电场景点云语义分割模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310088119.8A CN115862013B (zh) | 2023-02-09 | 2023-02-09 | 基于注意力机制的输配电场景点云语义分割模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115862013A CN115862013A (zh) | 2023-03-28 |
CN115862013B true CN115862013B (zh) | 2023-06-27 |
Family
ID=85657796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310088119.8A Active CN115862013B (zh) | 2023-02-09 | 2023-02-09 | 基于注意力机制的输配电场景点云语义分割模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862013B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332104A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 |
WO2022088676A1 (zh) * | 2020-10-29 | 2022-05-05 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
CN114743007A (zh) * | 2022-04-20 | 2022-07-12 | 湘潭大学 | 一种基于通道注意力与多尺度融合的三维语义分割方法 |
CN115187803A (zh) * | 2022-08-12 | 2022-10-14 | 仲恺农业工程学院 | 一种用于名优茶嫩芽采摘过程的定位方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8756085B1 (en) * | 2013-03-15 | 2014-06-17 | State Farm Mutual Automobile Insurance Company | Systems and methods for assessing property damage |
EP3387623A4 (en) * | 2015-12-09 | 2019-07-10 | Geomni, Inc. | SYSTEM AND METHOD FOR GENERATING COMPUTERIZED MODELS OF STRUCTURES USING GEOMETRY EXTRACTION AND RECONSTRUCTION TECHNIQUES |
CN111860138B (zh) * | 2020-06-09 | 2024-03-01 | 中南民族大学 | 基于全融合网络的三维点云语义分割方法及系统 |
CN112257597B (zh) * | 2020-10-22 | 2024-03-15 | 中国人民解放军战略支援部队信息工程大学 | 一种点云数据的语义分割方法 |
CN112633330B (zh) * | 2020-12-06 | 2024-02-02 | 西安电子科技大学 | 点云分割方法、系统、介质、计算机设备、终端及应用 |
CN112949640A (zh) * | 2021-01-29 | 2021-06-11 | 罗普特科技集团股份有限公司 | 点云语义分割方法、装置、计算设备及存储介质 |
CN114120110B (zh) * | 2021-11-22 | 2022-08-05 | 中国科学院紫金山天文台 | 一种混杂场景机载激光点云分类的多粒度计算方法 |
CN114255238A (zh) * | 2021-11-26 | 2022-03-29 | 电子科技大学长三角研究院(湖州) | 一种融合图像特征的三维点云场景分割方法及系统 |
CN115527036A (zh) * | 2022-11-25 | 2022-12-27 | 南方电网数字电网研究院有限公司 | 电网场景点云语义分割方法、装置、计算机设备和介质 |
-
2023
- 2023-02-09 CN CN202310088119.8A patent/CN115862013B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022088676A1 (zh) * | 2020-10-29 | 2022-05-05 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
CN114332104A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 |
CN114743007A (zh) * | 2022-04-20 | 2022-07-12 | 湘潭大学 | 一种基于通道注意力与多尺度融合的三维语义分割方法 |
CN115187803A (zh) * | 2022-08-12 | 2022-10-14 | 仲恺农业工程学院 | 一种用于名优茶嫩芽采摘过程的定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115862013A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658455B (zh) | 图像处理方法和处理设备 | |
Noroozi et al. | Representation learning by learning to count | |
CN112329680B (zh) | 基于类激活图的半监督遥感影像目标检测和分割方法 | |
CN110399487B (zh) | 一种文本分类方法、装置、电子设备及存储介质 | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
CN113298096B (zh) | 训练零样本分类模型的方法、系统、电子设备及存储介质 | |
US11714921B2 (en) | Image processing method with ash code on local feature vectors, image processing device and storage medium | |
CN111581926A (zh) | 文案生成方法、装置、设备和计算机可读存储介质 | |
CN114676777A (zh) | 一种基于孪生网络的自监督学习细粒度图像分类方法 | |
CN114387289B (zh) | 输配电架空线路三维点云语义分割方法和装置 | |
CN114332104A (zh) | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 | |
CN115527036A (zh) | 电网场景点云语义分割方法、装置、计算机设备和介质 | |
CN114299101A (zh) | 图像的目标区域获取方法、装置、设备、介质和程序产品 | |
CN115862013B (zh) | 基于注意力机制的输配电场景点云语义分割模型训练方法 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN114898357B (zh) | 缺陷识别方法、装置、电子设备及计算机可读存储介质 | |
CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
US11663816B2 (en) | Apparatus and method for classifying attribute of image object | |
CN114155388A (zh) | 一种图像识别方法、装置、计算机设备和存储介质 | |
Kumar et al. | A framework for automatic classification of mobile LiDAR data using multiple regions and 3D CNN architecture | |
CN112069981A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN116994240B (zh) | 一种基于注意力机制的三维目标检测系统 | |
CN114785771B (zh) | 自动驾驶数据的上传方法、装置、计算机设备和存储介质 | |
KR102616081B1 (ko) | 깊이 맵의 특징점을 획득하기 위한 방법 | |
CN117938951B (zh) | 信息推送方法、装置、计算机设备和存储介质 |
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 |