KR20220143553A

KR20220143553A - 포인트 클라우드 데이터의 처리 방법, 장치, 전자 기기 및 컴퓨터 저장 매체

Info

Publication number: KR20220143553A
Application number: KR1020217031102A
Authority: KR
Inventors: 종앙 카이; 신이 첸; 준제 장; 하이유 자오; 슈아이 이
Original assignee: 센스타임 인터내셔널 피티이. 리미티드.
Priority date: 2021-04-15
Filing date: 2021-05-31
Publication date: 2022-10-25
Also published as: AU2021204512A1; CN115380312A; AU2021204512B2; US20220335666A1

Abstract

본 발명의 실시예는 포인트 클라우드 데이터의 처리 방법, 장치, 기기 및 컴퓨터 저장 매체를 개시하고, 여기서, 상기 방법은, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 상기 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득하는 단계; 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계; 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계; 및 상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는 단계를 포함한다.

Description

포인트 클라우드 데이터의 처리 방법, 장치, 전자 기기 및 컴퓨터 저장 매체

본 출원은 2021년 4월 15일에 제출한, 발명 명칭이 “포인트 클라우드 데이터의 처리 방법, 장치, 전자 기기 및 컴퓨터 저장 매체”인 싱가포르 특허 발명 No. 10202103896Y의 우선권을 주장하는 바, 그 전부 내용은 모든 목적에 따라 본문에 인용된다.

본 발명의 실시예는 기계 학습 기술분야에 관한 것이지만 이에 한정되지 않고, 특히 포인트 클라우드 데이터의 처리 방법, 장치, 전자 기기 및 컴퓨터 저장 매체에 관한 것이다.

모니터링 시나리오, 촬영 시나리오와 같은 다양한 타입의 시나리오에서 레이저 레이더 또는 딥 카메라를 배치하는 것을 통해, 포인트 클라우드 데이터를 수집할 수 있고, 포인트 클라우드는 이미지의 보충 데이터로서, 시나리오 정보를 더욱 진실되게 획득할 수 있다.

그러나, 2 차원의 이미지 정보에 비해, 레이저 레이더 또는 딥 카메라에 의해 수집된 포인트 클라우드 데이터는 희소성, 무질서성 및 누락된 형태 부분 등 문제가 존재하므로, 포인트 클라우드 데이터의 처리 방법이 어렵도록 한다.

포인트 클라우드 데이터에 대해 재구축 처리를 수행하는 방법은, 기계 학습에서의 연구 핫스팟이다.

본 발명의 실시예는 포인트 클라우드 데이터의 처리 방법, 장치, 전자 기기 및 컴퓨터 저장 매체를 제공한다.

제1 측면에 있어서, 포인트 클라우드 데이터의 처리 방법을 제공하고, 상기 방법은, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 상기 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득하는 단계; 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계; 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계; 및 상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는 단계를 포함한다.

일부 실시예에 있어서, 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계는, 각각 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보를 얻는 단계; 및 상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 상기 관련 정도 정보를 결정하는 단계를 포함한다.

이로써, 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하는 것을 통해, 각 데이터 포인트의 제1 특징 정보 및 각 인접 포인트의 제1 특징 정보를 획득할 수 있으며, 제1 특징 정보는 초기 특징 정보로부터 추출된 선형 변환 및 비선형 변환 중 적어도 하나에 사용된 가중치에 대응되는 특징 정보일 수 있음으로써, 결정된 관련 정도 정보가, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이가 상이한 타입에서의 특징 하의 관련 정도를 나타낼 수 있으므로, 결정된 각 데이터 포인트의 제1 타깃 특징 정보가 각 데이터 포인트의 실제 특징에 부합 가능하도록 한다.

일부 실시예에 있어서, 각각 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보를 얻는 단계는,상기 각 데이터 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 데이터 포인트의 제2 특징 정보를 얻는 단계; 상기 각 데이터 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보를 얻는 단계 - 상기 각 데이터 포인트의 제1 특징 정보의 차원은, 상기 각 데이터 포인트의 초기 특징 정보의 차원보다 큼 - ; 상기 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 대응되는 각 인접 포인트의 제2 특징 정보를 얻는 단계; 및 상기 각 인접 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 대응되는 각 인접 포인트의 제1 특징 정보를 얻는 단계 - 상기 각 인접 포인트의 제1 특징 정보의 차원은, 상기 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 를 포함한다.

이로써, 먼저 각 데이터 포인트 및 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 것을 통해, 각 데이터 포인트 및 각 인접 포인트의 초기 특징 정보로부터, 더욱 많은 차원의 특징 정보를 추축할 수 있고, 각 데이터 포인트 및 각 인접 포인트의 초기 특징 정보를 추출할 경우, 데이터에 대해 병행 처리를 수행할 수 있어, 높은 수준의 비선형 전역 작용과 강한 자체 적응 및 자체 학습 기능을 구비하며; 또한, 각 데이터 포인트 및 각 인접 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행함으로써, 각 데이터 포인트 및 각 인접 포인트의 제2 특징 정보의 차원을 저하시킴으로써, 포인트 클라우드 데이터의 처리 장치가 각 데이터 포인트 및 각 인접 포인트의 제1 특징 정보를 통해 후속 계산하는 계산량을 감소시킬 수 있다.

일부 실시예에 있어서, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계는, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계; 및 상기 각 데이터 포인트의 관련 특징 정보 및 상기 각 데이터 포인트의 초기 특징 정보를 병합하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 얻는 단계를 포함한다.

이로써, 각 데이터 포인트의 관련 특징 정보가, 각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보로부터 추출하고 복잡한 계산을 수행하여 얻은 특징 정보임으로써, 결정된 각 데이터 포인트의 관련 특징 정보에 기울기가 사라지는 문제가 쉽게 발생하도록 하지만, 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보를 병합하는 것을 통해, 결정된 각 데이터 포인트의 제1 타깃 특징 정보에 기울기가 사라지는 문제가 존재하지 않도록 하고, 각 데이터 포인트의 초기 특징 정보를 유지함으로써, 결정된 각 데이터 포인트의 제1 타깃 특징 정보의 유효성을 향상시킨다.

일부 실시예에 있어서, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는, 상기 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻는 단계; 및 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계를 포함한다.

이로써, 관련 정도 정보가 나타내는 것은 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도임으로써, 관련 정도 정보 및 각 인접 포인트의 초기 특징 정보로부터 추출된 각 인접 포인트의 제3 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하여, 결정된 각 데이터 포인트의 관련 특징 정보가, 제1 포인트 클라우드 데이터에서의 각 데이터 포인트의 실제 상황과 대응되도록 할 수 있다.

일부 실시예에 있어서, 상기 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻는 단계는,상기 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 인접 포인트의 제4 특징 정보를 얻는 단계; 및 상기 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻는 단계 - 상기 각 인접 포인트의 제3 특징 정보의 차원은, 상기 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 를 포함한다.

이로써, 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행함으로써, 각 인접 포인트의 초기 특징 정보로부터, 더욱 많은 차원의 특징 정보를 추출할 수 있고, 각 인접 포인트의 제4 특징 정보를 추출할 경우, 데이터에 대해 병행 처리를 수행할 수 있어, 높은 수준의 비선형 전역 작용과 강한 자체 적응 및 자체 학습 기능 등을 구비하며; 또한, 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행함으로써, 각 인접 포인트의 제4 특징 정보의 차원을 저하시킴으로써, 포인트 클라우드 데이터의 처리 장치가 각 인접 포인트의 제3 특징 정보를 통해 후속 계산하는 계산량을 감소시킬 수 있다.

일부 실시예에 있어서, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는,상기 관련 정도 정보 및 상기 각 인접 포인트의 제3 특징 정보를 중합하여, 상기 각 인접 포인트의 제5 특징 정보를 얻는 단계; 및 상기 각 인접 포인트의 제5 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계를 포함한다.

이로써, 각 인접 포인트의 제3 특징 정보 및 관련 정도 정보를 중합하는 것을 통해, 추출된 특징을 강화할 수 있음으로써, 결정된 각 데이터 포인트의 관련 특징 정보가 각 데이터 포인트의 실제 특징에 최대한으로 가깝도록 할 수 있다.

일부 실시예에 있어서, 상기 각 인접 포인트의 제5 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는, 상기 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 인접 포인트의 제6 특징 정보를 얻는 단계; 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제6 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계를 포함한다.

이로써, 포인트 클라우드 데이터의 처리 장치의 계산량을 감소시키기 위해, 퍼셉트론을 통해 추출된 특징에 대해 차원 압축 처리를 수행하지만, 차원 압축 처리는 특징 손실을 초래한다. 하지만, 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하는 것을 통해, 차원 압축 처리 중 손실된 특징을 복구할 수 있음으로써, 제6 특징 정보에 많은 특징이 구비되도록 하고, 각 데이터 포인트의 많은 특징을 발굴하는 것을 통해, 얻은 각 데이터 포인트의 특징 정보가 더욱 풍부하도록 한다.

일부 실시예에 있어서, 상기 방법은, 제3 포인트 클라우드 데이터를 획득하는 단계; 상기 제3 포인트 클라우드 데이터를 보완하여, 대응되는 완전한 제4 포인트 클라우드 데이터를 얻는 단계; 및 상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 상기 제1 포인트 클라우드 데이터를 생성하는 단계를 더 포함한다.

이로써, 제1 포인트 클라우드 데이터가 제3 포인트 클라우드 데이터 및 제3 포인트 클라우드 데이터를 보완하여 얻은 제4 포인트 클라우드 데이터에 기반하여 결정된 것임으로써, 제1 포인트 클라우드 데이터의 각 데이터 포인트의 제1 타깃 특징 정보를 결정할 경우, 이용하는 것은 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터의 결합임으로써, 얻은 각 데이터 포인트의 제1 타깃 특징 정보는 제3 포인트 클라우드 데이터 중 각 데이터 포인트의 특징 정보를 유지할 뿐만 아니라, 제4 포인트 클라우드 데이터 중 각 데이터 포인트의 특징 정보도 유지함으로써, 각 데이터 포인트의 특징 정보를 풍부화하여, 얻은 각 데이터 포인트의 제1 타깃 특징 정보에 많은 특징이 포함되도록 한다.

일부 실시예에 있어서, 상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 상기 제1 포인트 클라우드 데이터를 생성하는 단계는, 상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 입력 포인트 클라우드 데이터를 얻는 단계; 상기 입력 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 시작 특징 정보를 획득하는 단계; 및 상기 각 데이터 포인트의 시작 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 제1 포인트 클라우드 데이터를 얻는 단계를 포함한다.

이로써, 입력 포인트 클라우드 데이터의 각 데이터 포인트의 시작 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하는 것을 통해, 제1 포인트 클라우드 데이터를 얻음으로써, 제1 포인트 클라우드 데이터 중 각 데이터 포인트의 초기 특징 정보는, 각 데이터 포인트의 시작 특징 정보로부터 추출된 선형 변환 및 비선형 변환 중 적어도 하나에 의해 사용된 가중치에 대응되는 특징 정보임으로써, 제1 포인트 클라우드 데이터 중 각 데이터 포인트의 특징 정보를 풍부화할 수 있다.

일부 실시예에 있어서, 상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는 단계는, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 상기 각 데이터 포인트의 제2 타깃 특징 정보로 결정하는 단계, 또는, 상기 각 데이터 포인트의 제1 타깃 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제2 타깃 특징 정보를 결정하는 단계; 상기 각 데이터 포인트의 제2 타깃 특징 정보 및 상기 각 데이터 포인트의 시작 특징 정보를 병합하여, 상기 각 데이터 포인트의 제3 타깃 특징 정보를 얻는 단계; 및 상기 복수 개의 데이터 포인트의 상기 각 데이터 포인트의 제3 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 상기 제2 포인트 클라우드 데이터를 얻는 단계를 포함한다.

이로써, 각 데이터 포인트의 제1 타깃 특징 정보를 획득한 후, 각 데이터 포인트의 제2 타깃 특징 정보를 결정할 수 있고, 각 데이터 포인트의 제2 타깃 특징 정보가 복잡한 계산을 통해 얻은 특징 정보이므로, 각 데이터 포인트의 제2 타깃 특징 정보 및 각 데이터 포인트의 시작 특징 정보를 병합하는 것을 통해, 얻은 출력 포인트 클라우드 데이터는 기울기가 사라지는 문제를 방지할 수 있고, 각 데이터 포인트의 제3 타깃 특징 정보는 각 데이터 포인트의 시작 특징 정보를 유지한다.

일부 실시예에 있어서, 상기 복수 개의 인접 포인트의 초기 특징 정보는, 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트의 초기 특징 정보를 포함하고; 각 그룹의 인접 포인트는 복수 개의 인접 포인트를 포함하며; 상기 적어도 두 그룹의 인접 포인트의 임의의 두 그룹의 인접 포인트 중 인접 포인트의 개수는 상이하며; 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계는, 상기 각 데이터 포인트의 초기 특징 정보 및 상기 각 그룹의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 각 그룹의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계를 포함하며; 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계는, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 적어도 두 그룹의 인접 포인트 중 상기 각 그룹의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계를 포함한다.

이로써, 각 데이터 포인트의 초기 특징 정보 및 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 각 그룹의 인접 포인트 사이의 관련 정도 정보를 각각 결정하고, 적어도 두 개의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 공동으로 결정함으로써, 얻은 각 데이터 포인트의 제1 타깃 특징 정보는 복수 그룹의 상이한 개수의 인접 포인트의 특징 정보에 따라 공동으로 결정된 것이므로, 결정된 각 데이터 포인트의 제1 타깃 특징 정보의 풍부도를 향상시킨다.

제2 측면에 있어서, 포인트 클라우드 데이터의 처리 장치를 제공하고, 상기 장치는, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 상기 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득하기 위한 획득 유닛; 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하기 위한 제1 결정 유닛; 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하기 위한 제2 결정 유닛; 및 상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻기 위한 재구축 유닛을 포함한다.

제3 측면에 있어서, 전자 기기를 제공하고, 메모리 및 프로세서를 포함하며, 상기 메모리는 상기 프로세서 상에서 작동 가능한 컴퓨터 프로그램을 저장하며, 상기 프로세서는 상기 컴퓨터 프로그램을 실행할 경우 상기 방법에서의 단계를 구현한다.

제4 측면에 있어서, 컴퓨터 저장 매체를 제공하고, 상기 컴퓨터 저장 매체는 하나 또는 복수 개의 프로그램을 저장하며, 상기 하나 또는 복수 개의 프로그램은 하나 또는 복수 개의 프로세서에 의해 실행 가능하여, 상기 방법에서의 단계를 구현한다.

본 발명의 실시예에 있어서, 결정된 각 데이터 포인트의 제1 타깃 특징 정보가, 각 데이터 포인트의 초기 특징 정보에 기반하여 결정된 것일 뿐만 아니라, 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 기반하여 결정된 것임으로써, 각 데이터 포인트의 특징 정보를 풍부화하고; 또한 각 데이터 포인트의 제1 타깃 특징 정보가, 제1 포인트 클라우드 데이터에서의 각 데이터 포인트와 주위 인접 포인트의 관련 정도 정보에 기반하여 결정된 것임으로써, 최대한으로 얻은 각 데이터 포인트의 제1 타깃 특징 정보가 각 데이터 포인트의 실제 특징에 가깝도록 함으로써, 각 데이터 포인트의 제1 타깃 특징 정보에 기반하여, 제1 포인트 클라우드 데이터의 실제 특징과 매칭되는 제2 포인트 클라우드 데이터를 재구축한다.

본 발명의 실시예에서의 기술 방안을 더욱 명확하게 설명하기 위해, 아래에 실시예 또는 종래 기술에 대한 설명에 필요한 도면을 간략하게 소개하며, 아래의 설명에서의 도면은 본 발명의 일부 실시예일 뿐, 본 기술 분야의 통상의 기술자는, 창조적 작업 없이도, 이러한 도면에 따라 다른 도면을 획득할 수 있는 것은 자명한 것이다.
도 1은 본 발명의 실시예에서 제공한 경고 시스템을 모니터링하는 구조 예시도이다.
도 2는 본 발명의 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이다.
도 3은 본 발명의 실시예에서 제공한 다른 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이다.
도 4는 본 발명의 실시예에서 제공한 또 다른 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이다.
도 5는 본 발명의 실시예에서 제공한 또 다른 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이다.
도 6은 본 발명의 다른 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이다.
도 7은 본 발명의 또 다른 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이다.
도 8은 본 발명의 실시예에서 제공한 포인트 클라우드의 자체 주의력 핵심의 아키텍처 예시도이다.
도 9는 본 발명의 실시예에서 제공한 타깃 포인트 핵심의 아키텍처 예시도이다.
도 10은 본 발명의 실시예에서 제공한 관계 향상 네트워크의 구성 구조 예시도이다.
도 11은 본 발명의 실시예에서 제공한 포인트 클라우드 데이터의 처리 장치의 구성 구조 예시도이다.
도 12는 본 발명의 실시예에서 제공한 전자 기기의 하드웨어 엔티티 예시도이다.

아래에 실시예와 도면을 통해 구체적으로 본 발명의 기술방안을 상세하게 설명한다. 아래에 이 몇 개의 구체적인 실시예는 상호 결합될 수 있고, 동일하거나 유사한 개념 또는 과정에 대해 일부 실시예에서 더이상 반복되지 않을 수 있다.

설명해야 할 것은, 본 발명의 실시예에서, “제1”, “제2” 등은 유사한 대상을 구별하기 위한 것이고, 타깃의 순서 또는 선후 순서를 설명하기 위한 것은 아니다. 또한, 본 발명의 실시예에 기재된 기술방안 사이는, 충돌되지 않는 한, 임의로 조합할 수 있다.

본 발명의 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법은 게임 장소 또는 게임장의 시나리오에 적용될 수 있다. 게임 장소 또는 게임장의 시나리오에서, 게임 테이블에 복수 개의 베팅 영역이 설치될 수 있고, 플레이어는 게임 규칙에 따라 협상 카드를 베팅해야 하며, 딜러는 보상 및 회수 규칙에 따라 협상 카드를 보상하거나 회수해야 한다. 예를 들어, 플레이어(플레이어 또는 뱅커를 포함함)는 베팅 영역에 협상 카드를 플레이팅할 수 있고, 게임 결과가 나온 후, 특정된 베팅 영역에 플레이어가 협상 카드를 이긴 영역이 나타나면, 딜러는 상기 베팅 영역에서의 협상 카드를 지불하고, 특정된 베팅 영역에 플레이어가 협상 카드를 진 영역이 나타나면, 딜러는 상기 베팅 영역에서의 협상 카드를 가져간다. 또 예를 들어, 게임의 공평성을 보장하기 위해, 게임 결과가 나온 후, 플레이어가 베팅 영역에서의 협상 카드를 변경시키는 것을 허락하지 않으며, 예를 들어, 플레이어가 협상 카드를 이긴 것을 나타내는 영역에 협상 카드를 추가하거나, 플레이어가 협상 카드를 진 것을 나타내는 영역에 협상 카드를 감소시키는 동작은, 모두 허락되지 않는다.

그러나, 게임장 환경이 복잡하므로, 플레이어 또는 딜러가 게임 공평성을 파괴시키는 행위가 자주 발생할 수 있어, 이러한 행위는 무조건 게임장에게 손실을 초래할 것이다. 따라서, 게임장의 환경을 모니터링하고 경고 가능한 시스템이, 본 발명의 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법을 구현함으로써, 게임 과정에서 플레이어 및 딜러의 행위를 모니터링하는 것은 매우 중요하다. 이에 기반하여, 본 발명의 실시예는 게임장 환경에 적용 가능한 모니터링 경고 시스템을 제공한다. 이해해야 할 것은, 본 발명의 실시예에서 제공한 모니터링 경고 시스템은 또한 시나리오에서의 대상의 행위를 분석하는 다른 시나리오에 적용될 수 있다.

도 1은 본 발명의 실시예에서 제공한 모니터링 경고 시스템의 구조 예시도이고, 도 1에 도시된 바와 같이, 상기 시스템(100)은 포인트 클라우드 수집 컴포넌트(101), 검출 기기(102) 및 관리 시스템(103)을 포함할 수 있다.

포인트 클라우드 수집 컴포넌트(101)는 하나 또는 복수 개의 레이저 포인트 클라우드 스캐너를 포함할 수 있다.

포인트 클라우드 수집 컴포넌트(101)는 검출 기기(102)와 통신 연결될 수 있다. 검출 기기(102)는 서버에 연결될 수 있음으로써, 서버가 검출 기기(102)에 대해 상응하는 제어를 수행할 수 있도록 하며, 검출 기기(102)는 서버를 사용하여 서비스를 제공할 수도 있다. 일부 실시형태에 있어서, 검출 기기(102)는 하나의 포인트 클라우드 수집 컴포넌트(101)에만 대응될 수 있다. 다른 일부 실시형태에 있어서, 검출 기기(102)는 복수 개의 포인트 클라우드 수집 컴포넌트(101)에 대응될 수 있다. 일부 실시형태에 있어서, 검출 기기(102)는 게임 장소에 설치될 수 있다. 예를 들어, 검출 기기(102)는 게임 장소에서의 서버에 연결될 수 있다. 다른 일부 실시형태에 있어서, 검출 기기(102)는 클라우드 서버에 설치될 수 있다.

검출 기기(102)는 포인트 클라우드 수집 컴포넌트에 의해 수집된 실시간 포인트 클라우드에 기반하여 게임 장소에서의 게임 테이블 및 게임 테이블 옆의 게임 참여자를 분석할 수 있어, 게임 참여자의 액션이 규정에 부합되는지 여부 또는 정당한지 여부를 결정한다.

검출 기기(102)는 관리 시스템(103)과 통신 연결될 수 있다. 검출 기기(102)가 게임 참여자의 액션이 정당하지 않은 것으로 결정할 경우, 검출 기기(102)는 액션이 정당하지 않은 게임 참여자에 대응되는 게임 테이블에서의 관리 시스템(103)에 타깃 경고 정보를 송신하여, 관리 시스템(103)이 상기 타깃 경고 정보에 대응되는 경고를 송신하도록 함으로써, 상기 게임 테이블을 통해 게임 참여자를 경고한다.

일부 시나리오에 있어서, 상기 검출 기기(102)는 또한 게임 장소에 배치된 카메라 컴포넌트에 연결될 수 있어, 포인트 클라우드 및 이미지 데이터를 융합하여 더욱 정밀한 분석을 수행한다.

2 차원의 사진 또는 비디오에 비해, 포인트 클라우드의 데이터 포맷은 물체 거리 센서의 거리 정보를 손실하지 않으며, 즉 물체가 공간에서의 3 차원 위치 정보를 획득할 수 있다. 2 차원의 사진 또는 비디오로 인한 모호함(예를 들어 인체가 3 차원 공간에서의 위치를 알 수 없음)은 포인트 클라우드를 사용하여 피할 수 있다. 따라서, 더욱 정확한 딜러 또는 플레이어의 액션이 게임 규정에 부합되는지 여부를 위해, 카메라 컴포넌트는 레이저 레이더 또는 딥 카메라를 포함할 수 있음으로써, 레이저 레이더 또는 딥 카메라를 통해 3 차원의 포인트 클라우드 데이터를 획득하지만, 풍부한 세부 사항을 구비하는 포인트 클라우드 특징을 생성하는 방법은, 본 분야에서 해결해야 하는 문제이다.

관련 기술에서, 계산 모듈이 포인트 클라우드 데이터 중 각 데이터 포인트의 특징 정보를 추출할 경우, 일반적으로 고정 가중치를 사용하여 각 데이터 포인트의 특징 정보를 추출하며, 이런 경우 계산 모듈은 각 데이터 포인트 자체의 특징 정보만 고려하므로, 계산 모듈의 유연성, 로버스트 및 확장성을 크게 한정한다. 이를 고려하여, 본 발명의 실시예에서는 효율적인 포인트 클라우드 자체 주의력 계산 모듈을 제공하여, 포인트 클라우드 중 인접 포인트의 상호 관계를 적응적으로 학습하는 것을 통해 키 포인트 및 풍부한 포인트 클라우드 특징을 추출한다.

도 2는 본 발명의 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이고, 도 2에 도시된 바와 같이, 상기 방법은 포인트 클라우드 데이터의 처리 장치에 적용되며, 상기 방법은 아래와 같은 단계를 포함한다.

단계 S201에 있어서, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득한다.

포인트 클라우드 데이터의 처리 장치는 계산 모듈일 수 있고, 계산 모듈은 포인트 클라우드 특징 추출을 강화시키는 모듈일 수 있으며, 상기 계산 모듈은 칩 또는 프로세서에 장착될 수 있다. 칩 또는 프로세서는 핸드폰(Mobile Phone), 태블릿 컴퓨터(Pad), 무선 송수신 기능을 구비한 컴퓨터, 랩톱 컴퓨터, 데스크톱 컴퓨터, 개인 정보 단말, 휴대용 미디어 플레이어, 스마트 스피커, 내비게이션 장치, 스마트 워치, 스마트 안경, 스마트 목걸 등 웨어러블 기기, 만보기 장치, 디지털 TV, 가상 현실(VirtualReality, VR) 단말 기기, 가상 현실(Augmented Reality, AR) 단말 기기, 산업용 제어(Industrial Control)에서의 무선 단말, 무인 운전(Self Driving)에서의 무선 단말, 원격 수술(Remote Medical Surgery)에서의 무선 단말, 스마트 그리드(Smart Grid)에서의 무선 단말, 운송 안전(Transportation Safety)에서의 무선 단말, 스마트 시티(Smart City)에서의 무선 단말, 스마트 홈(Smart Home)에서의 무선 단말 및 차량 사물 인터넷 시스템에서의 차량, 차량 탑재 기기 또는 차량 탑재 모듈 등 중 적어도 하나의 기기에 적용될 수 있다.

일부 실시형태에 있어서, 제1 포인트 클라우드 데이터는 레이저 레이더 또는 딥 카메라에 의해 수집된 데이터일 수 있다. 이러한 실시형태에 있어서, 제1 포인트 클라우드 데이터는 잔여 블록 포인트 클라우드 데이터일 수 있다. 다른 일부 실시형태에 있어서, 제1 포인트 클라우드 데이터는 레이저 레이더 또는 딥 카메라에 의해 수집된 데이터를 변환하여 얻은 데이터일 수 있다. 예를 들어, 잔여 블록 포인트 클라우드 데이터 및 잔여 블록 포인트 클라우드 데이터를 보완하는 루드하고 완전한 포인트 클라우드 데이터에 기반하여, 제1 포인트 클라우드 데이터를 결정할 수 있다. 이러한 실시형태에 있어서, 제1 포인트 클라우드 데이터는 잔여 블록 포인트 클라우드 데이터 및 루드하고 완전한 포인트 클라우드 데이터를 포함할 수 있다.

포인트 클라우드 데이터는 대량의 데이터 포인트를 포함할 수 있고, 각 데이터 포인트는 모두 초기 특징 정보를 구비하며, 포인트 클라우드 데이터의 처리 장치는 제1 포인트 클라우드 데이터로부터, 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득한다. 여기서, 초기 특징 정보는 위치를 나타내는 특징 정보 및 다른 포인트 사이의 위치 또는 속성 관계(예를 들어 동일한 물체에 속하는 표면)를 나타내는 정보 중 적어도 하나를 포함할 수 있다.

실시 과정에 있어서, 포인트 클라우드 데이터의 처리 장치는 한 번에 적어도 한 배치(batch)의 제1 포인트 클라우드 데이터를 획득할 수 있고, 각 배치의 제1 포인트 클라우드 데이터는 모두 복수 개의 데이터 포인트를 포함할 수 있으며, 각 데이터 포인트는 초기 특징 정보(즉 다중 차원의 특징 정보)를 구비한다. 한 배치의 제1 포인트 클라우드 데이터는 3 차원 이미지에서의 포인트 클라우드 데이터일 수 있다.

각 데이터 포인트에 대응되는 인접 포인트의 개수는 동일할 수 있다. 각 데이터 포인트에 대응되는 인접 포인트의 개수는 적어도 두 개여야 한다. 예를 들어, 각 데이터 포인트에 대응되는 인접 포인트의 개수는 2 개, 3 개, 5 개, 10 개 등일 수 있다.

단계 S202에 있어서, 각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정한다.

유의해야 할 것은, 본 발명의 실시예에서의 대응되는 복수 개의 인접 포인트에 대한 특수 설명이 되지 않은 경우, 각 데이터 포인트에 대응되는 복수 개의 인접 포인트를 가리킬 수 있다.

실시 과정에서, 각 데이터 포인트가 K 개의 인접 포인트에 대응되면, 관련 정도 정보는 K 개의 관련 정도 정보를 포함할 수 있으며, K 개의 관련 정도 정보에서의 각 관련 정도 정보는 각 데이터 포인트와 각 인접 포인트 사이의 관련 정도를 나타낼 수 있다. 각 관련 정도 정보는 특징 벡터를 사용하여 나타낼 수 있다. 각 관련 정도 정보의 차원은 각 데이터 포인트의 초기 특징 정보의 차원과 동일하거나 상이할 수 있다.

단계 S203에 있어서, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정한다.

일부 실시형태에 있어서, 포인트 클라우드 데이터의 처리 장치는 (각 데이터 포인트에 대응) 대응되는 복수 개의 인접 포인트 중 각 인접 포인트의 초기 특징 정보 및 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정한다. 다른 일부 실시형태에 있어서, 포인트 클라우드 데이터의 처리 장치는 각 데이터 포인트의 초기 특징 정보 및 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정할 수 있다. 또 다른 일부 실시형태에 있어서, 포인트 클라우드 데이터의 처리 장치는 각 데이터 포인트의 초기 특징 정보, 대응되는 복수 개의 인접 포인트 중 각 인접 포인트의 초기 특징 정보 및 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정할 수 있다.

단계 S204에 있어서, 복수 개의 데이터 포인트의 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는다.

실시 과정에서, 관련 기술에서의 임의의 포인트 클라우드 재구축 방법을 사용하여, 복수 개의 데이터 포인트 중 각 데이터 포인트의 제1 타깃 특징 정보에 기반하여, 제1 포인트 데이터를 재구축하여, 제2 포인트 클라우드 데이터를 얻을 수 있다. 여기서, 제1 포인트 클라우드 데이터는 잔여 블록 포인트 클라우드 데이터의 특징 및 루드하고 완전한 포인트 클라우드 데이터의 특징이 병합된 것일 수 있고, 제2 포인트 클라우드 데이터는 제1 포인트 클라우드 데이터에 대해 추가적으로 정밀한 보완을 수행하여 얻은 데이터일 수 있다. 예를 들어, 일부 실시형태에서, 포인트 클라우드 데이터의 처리 장치는 얻은 각 데이터 포인트의 제1 타깃 특징 정보에 대해, 적어도 한 번의 차원 확장, 적어도 한 번의 차원 압축, 적어도 한 번의 에지 보존 풀링(Edge-preserved Pooling, EP), 적어도 한 번의 에지 보존 비풀링(Edge-preserved Unpooling, EU) 중 적어도 하나를 수행하여, 제2 포인트 클라우드 데이터를 얻을 수 있다. 예를 들어, 포인트 클라우드 데이터의 처리 장치는 얻은 각 데이터 포인트의 제1 타깃 특징 정보에 대해, EP 모듈 및 잔차 포인트 선택 커널 모듈(Selective Kernel module, R-PSK)을 사용하여 복수 회의 교차 처리를 수행할 수 있고, 완전 연결 층을 통과한 후 제1 결과를 얻은 다음, 제1 결과를 EU 모듈 및 공유 멀티 계층 퍼셉트론(Shared MLP)을 사용하여 복수 회의 교차 처리를 수행할 수 있으며, MLPs 처리를 통해 제2 포인트 클라우드 데이터를 얻을 수 있다. 유의해야 할 것은, 각 데이터 포인트의 제1 타깃 특징 정보를 통해, 제1 포인트 데이터를 재구축하는 방법은 또한 다른 방법이 존재할 수 있고, 임의의 각 데이터 포인트의 제1 타깃 특징 정보를 통해, 제1 포인트 데이터를 재구축하는 방법이라면, 모두 상기 본 발명의 보호 범위 내에 속해야 할 것이다.

도 3은 본 발명의 실시예에서 제공한 다른 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이고, 도 3에 도시된 바와 같이, 상기 방법은 포인트 클라우드 데이터의 처리 장치에 적용되며, 상기 방법은 아래와 같은 단계를 포함한다.

단계 S301에 있어서, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득한다.

단계 S302에 있어서, 각각 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 데이터 포인트의 제1 특징 정보 및 대응되는 각 인접 포인트의 제1 특징 정보를 얻는다.

본 발명의 실시예에 있어서, 어느 한 특징 정보(예를 들어 초기 특징 정보, 제1 타깃 특징 정보 또는 시작 특징 정보 등을 포함)에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하는 것은, 상기 어느 한 특징 정보에 대해 선형 변환을 수행하는 것일 수 있거나, 상기 어느 한 특징 정보에 대해 비선형 변환을 수행하는 것일 수 있거나, 상기 어느 한 특징 정보에 대해 선형 변환을 수행한 다음 비선형 변환을 수행하는 것일 수 있거나, 상기 어느 한 특징 정보에 대해 비선형 변환을 수행한 다음 선형 변환을 수행하는 것일 수 있는 등이다.

일부 실시형태에 있어서, 단계 S302는, 각 데이터 포인트의 초기 특징 정보를 제1 퍼셉트론에 입력하여, 각 데이터 포인트의 제1 특징 정보를 얻는 것; 및 각 인접 포인트의 초기 특징 정보를 제2 퍼셉트론에 입력하여, 각 인접 포인트의 제1 특징 정보를 얻는 것을 통해 구현될 수 있다. 본 발명의 실시예에 있어서, 각 데이터 포인트의 제1 특징 정보의 차원 및 각 인접 포인트의 제1 특징 정보의 차원은 동일하다.

다른 일부 실시형태에 있어서, 단계 S302는, 각 데이터 포인트의 초기 특징 정보에 대해 차원 압축 처리를 수행하여, 각 데이터 포인트의 제1 특징 정보를 얻는 것; 각 인접 포인트의 초기 특징 정보에 대해 차원 압축 처리를 수행하여, 각 인접 포인트의 제1 특징 정보를 얻는 것을 통해 구현될 수 있다.

또 다른 일부 실시형태에 있어서, 단계 S302는, 각 데이터 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 각 데이터 포인트의 제2 특징 정보를 얻는 것; 각 데이터 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 각 데이터 포인트의 제1 특징 정보를 얻는 것 - 각 데이터 포인트의 제1 특징 정보의 차원은, 각 데이터 포인트의 초기 특징 정보의 차원보다 큼 - ; 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 대응되는 각 인접 포인트의 제2 특징 정보를 얻는 것; 및 각 인접 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 대응되는 각 인접 포인트의 제1 특징 정보를 얻는 것 - 각 인접 포인트의 제1 특징 정보의 차원은, 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 을 통해 구현될 수 있다.

일부 실시형태에 있어서, 각 데이터 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 단계는, 각 데이터 포인트의 초기 특징 정보를 제1 퍼셉트론에 입력하여, 제1 퍼셉트론에서의 가중치를 통해 각 데이터 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 단계를 포함할 수 있다. 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 단계는, 각 인접 포인트의 초기 특징 정보를 제2 퍼셉트론에 입력하여, 제2 퍼셉트론에서의 가중치를 통해 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 단계를 포함할 수 있다.

본 발명의 실시예에서의 어느 한 퍼셉트론(제1 퍼셉트론, 제2 퍼셉트론, 제3 퍼셉트론, 제4 퍼셉트론 또는 제5 퍼셉트론 등을 포함함)는 멀티 계층 퍼셉트론(Multilayer Perceptron, MLP)일 수 있다. 멀티 계층 퍼셉트론은 공유 멀티 계층 퍼셉트론(Shared MLP)일 수 있다. 멀티 계층 퍼셉트론은 피드포워드의 인공 신경 네트워크이고, 한 그룹의 입력 벡터를 한 그룹의 출력 벡터에 맵핑한다. 입력 벡터의 차원은 출력 벡터의 차원보다 클 수 있다.

어느 한 특징 정보에 대해 차원 압축 처리를 수행하는 것은, 어느 한 특징 정보에 대해 선형 변환을 수행하는 것 중 한 가지에 속할 수 있다. 예를 들어, 일부 실행 가능한 실시형태에 있어서, 매트릭스를 통해 어느 한 특징 정보에 대해 차원 압축 처리를 수행할 수 있다.

일부 실시형태에 있어서, 초기 특징 정보의 차원은 C1일 수 있고, 제1 퍼셉트론 및 제2 퍼셉트론의 작용을 통해, 얻은 제2 특징 정보의 차원은 C2일 수 있으며, 여기서, C2는 C1보다 클 수 있다. 일부 실시형태에 있어서, 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 얻은 제1 특징 정보의 차원은 C2/r1일 수 있다. R1은 2보다 크거나 같은 정수일 수 있고, 예를 들어, r1의 값은 2, 3, 5, 8 등일 수 있다.

상기 방식을 통해, 먼저 각 데이터 포인트 및 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 것을 통해, 각 데이터 포인트 및 각 인접 포인트의 초기 특징 정보로부터, 더욱 많은 차원의 특징 정보를 추축할 수 있고, 각 데이터 포인트 및 각 인접 포인트의 초기 특징 정보를 추출할 경우, 데이터에 대해 병행 처리를 수행할 수 있어, 높은 수준의 비선형 전역 작용과 강한 자체 적응 및 자체 학습 기능을 구비하며; 또한, 각 데이터 포인트 및 각 인접 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행함으로써, 각 데이터 포인트 및 각 인접 포인트의 제2 특징 정보의 차원을 저하시킴으로써, 포인트 클라우드 데이터의 처리 장치가 각 데이터 포인트 및 각 인접 포인트의 제1 특징 정보를 통해 후속 계산하는 계산량을 감소시킬 수 있다.

단계 S303에 있어서, 각 데이터 포인트의 제1 특징 정보 및 대응되는 각 인접 포인트의 제1 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정한다.

일부 실시형태에 있어서, 포인트 클라우드 데이터의 처리 장치는 각 데이터 포인트의 제1 특징 정보 및 각 인접 포인트의 제1 특징 정보에 대해 인터랙션 연산(예를 들어, 연결 연산 및 점 곱셈 연산 중 적어도 하나 등임)을 수행할 수 있음으로써, 관련 정도 정보를 얻는다. 관련 정도 정보는 각 데이터 포인트와 각 인접 포인트 사이의 관련 정도를 나타낼 수 있다.

포인트 클라우드 데이터의 처리 장치는 P 차원의 각 데이터 포인트의 제1 특징 정보 및 P 차원의 각 인접 포인트의 제1 특징 정보에 기반하여, P 차원의 각 데이터 포인트와 각 인접 포인트 사이의 관련 정도 정보를 결정할 수 있음으로써, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 얻는다. 유의해야 할 것은, 두 개의 벡터를 통해 두 개의 벡터 사이의 관련 정도를 결정하는 임의의 실시형태는, 모두 본 발명의 보호 범위 내에 속해야 한다.

단계 S304에 있어서, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정한다.

단계 S305에 있어서, 복수 개의 데이터 포인트의 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는다.

본 발명의 실시예에 있어서, 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하는 것을 통해, 각 데이터 포인트의 제1 특징 정보 및 각 인접 포인트의 제1 특징 정보를 획득할 수 있으며, 제1 특징 정보는 초기 특징 정보로부터 추출된 선형 변환 및 비선형 변환 중 적어도 하나에 사용된 가중치에 대응되는 특징 정보일 수 있음으로써, 결정된 관련 정도 정보가, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이가 상이한 타입에서의 특징 하의 관련 정도를 나타낼 수 있으므로, 결정된 각 데이터 포인트의 제1 타깃 특징 정보가 각 데이터 포인트의 실제 특징에 부합 가능하도록 한다.

도 4는 본 발명의 실시예에서 제공한 또 다른 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이고, 도 4에 도시된 바와 같이, 상기 방법은 포인트 클라우드 데이터의 처리 장치에 적용되며, 상기 방법은 아래와 같은 단계를 포함한다.

단계 S401에 있어서, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득한다.

단계 S402에 있어서, 각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정한다.

단계 S403에 있어서, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정한다.

일부 실시예에 있어서, 각 데이터 포인트의 관련 특징 정보는, 각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 계산하여 얻은 특징 정보일 수 있다. 단계 S403은, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보를 각 인접 포인트의 제3 특징 정보로 사용하는 것; 및 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하는 것을 통해 구현될 수 있다.

다른 일부 실시예에 있어서, 단계 S403은, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻는 것; 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하는 것을 통해 구현될 수 있다.

이러한 방식을 통해, 관련 정도 정보가 나타내는 것은 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도임으로써, 관련 정도 정보 및 각 인접 포인트의 초기 특징 정보로부터 추출된 각 인접 포인트의 제3 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하여, 결정된 각 데이터 포인트의 관련 특징 정보가, 제1 포인트 클라우드 데이터에서의 각 데이터 포인트의 실제 상황과 대응되도록 할 수 있다.

일부 실시형태에 있어서, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻는 단계는, 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 각 인접 포인트의 제4 특징 정보를 얻는 단계; 및 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻는 단계 - 각 인접 포인트의 제3 특징 정보의 차원은, 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 를 포함할 수 있다. 실시 과정에서, 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 단계는, 각 인접 포인트의 초기 특징 정보를 제3 퍼셉트론에 입력하고, 제3 퍼셉트론에서의 가중치를 통해 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하는 단계를 포함할 수 있다.

각 인접 포인트의 제4 특징 정보의 차원은 C2일 수 있고, 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행함으로써, 차원이 C2/r2인 각 인접 포인트의 제3 특징 정보를 얻을 수 있다. 본 발명의 실시예에서의 r1 및 r2는 모두 2보다 크거나 같은 정수이며, r1 및 r2는 상이하고, r1 및 r2는 배수 관계를 가진다.

여기서, 제1 퍼셉트론, 제2 퍼셉트론 및 제3 퍼셉트론에 의해 출력된 벡터의 차원은 동일할 수 있다. 제1 퍼셉트론, 제2 퍼셉트론 및 제3 퍼셉트론에서의 가중치는 동일할 수 있거나, 적어도 두 개의 퍼셉트론의 가중치는 상이하다.

이러한 방식을 통해, 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행함으로써, 각 인접 포인트의 초기 특징 정보로부터, 더욱 많은 차원의 특징 정보를 추출할 수 있고, 각 인접 포인트의 제4 특징 정보를 추출할 경우, 데이터에 대해 병행 처리를 수행할 수 있어, 높은 수준의 비선형 전역 작용과 강한 자체 적응 및 자체 학습 기능 등을 구비하며; 또한, 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행함으로써, 각 인접 포인트의 제4 특징 정보의 차원을 저하시킴으로써, 포인트 클라우드 데이터의 처리 장치가 각 인접 포인트의 제3 특징 정보를 통해 후속 계산하는 계산량을 감소시킬 수 있다.

다른 일부 실시형태에 있어서, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻는 단계는, 각 인접 포인트의 초기 특징 정보를 제3 퍼셉트론에 입력하여, 각 인접 포인트의 제3 특징 정보를 얻는 단계를 포함할 수 있다. 또 다른 일부 실시형태에 있어서, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻는 단계는, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 차원 압축 처리를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻는 단계를 포함할 수 있다.

단계 S404에 있어서, 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보를 병합하여, 각 데이터 포인트의 제1 타깃 특징 정보를 얻는다.

잔차 전달 연결의 방식을 사용하여 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보를 병합할 수 있다.

일부 실시형태에 있어서, 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보를 병합하는 것은, 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보에 대해 텐서 합계(Element-wise summation) 또는 텐서 컨캐터네이션(concatenation)을 수행하는 것일 수 있다. 실시 과정에 있어서, 각 데이터 포인트의 관련 특징 정보의 차원이 각 데이터 포인트의 초기 특징 정보의 차원보다 클 경우, 각 데이터 포인트의 초기 특징 정보의 차원에 대해 확장 처리를 수행하여, 각 데이터 포인트의 관련 특징 정보의 차원을 얻은 다음, 합계 처리를 수행할 수 있으며; 여기서의 차원 확장 처리는 중복, 선형 변환 및 비선형 변환 중 적어도 하나를 포함하지만 이에 한정되지 않는다.

단계 S405에 있어서, 복수 개의 데이터 포인트의 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는다.

본 발명의 실시예에 있어서, 각 데이터 포인트의 관련 특징 정보가, 각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보로부터 추출하고 복잡한 계산을 수행하여 얻은 특징 정보임으로써, 결정된 각 데이터 포인트의 관련 특징 정보에 기울기가 사라지는 문제가 쉽게 발생하도록 하지만, 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보를 병합하는 것을 통해, 결정된 각 데이터 포인트의 제1 타깃 특징 정보에 기울기가 사라지는 문제가 존재하지 않도록 하고, 각 데이터 포인트의 초기 특징 정보를 유지함으로써, 결정된 각 데이터 포인트의 제1 타깃 특징 정보의 유효성을 향상시킨다.

도 5는 본 발명의 실시예에서 제공한 또 다른 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이고, 도 5에 도시된 바와 같이, 상기 방법은 포인트 클라우드 데이터의 처리 장치에 적용되며, 상기 방법은 아래와 같은 단계를 포함한다.

단계 S501에 있어서, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득한다.

단계 S502에 있어서, 각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정한다.

단계 S503에 있어서, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻는다.

단계 S504에 있어서, 관련 정도 정보 및 각 인접 포인트의 제3 특징 정보를 중합하여, 각 인접 포인트의 제5 특징 정보를 얻는다.

일부 실시형태에 있어서, 각 인접 포인트의 제3 특징 정보의 차원이, 관련 정도 정보의 차원의 N 배일 경우, 각 인접 포인트의 제3 특징 정보 및 N 개의 관련 정도 정보에 기반하여, 각 인접 포인트의 제5 특징 정보를 결정하며; N은 1보다 크거나 같은 정수이다.

예를 들어, 각 인접 포인트의 제3 특징 정보의 차원이 C2/r2이고, 각 데이터 포인트와 각 인접 포인트 사이의 관련 정도 정보의 차원이 C2/r1이며, C2/r2가 C2/r1의 N 배일 경우, C2/r1 차원의 관련 정도 정보를 N 회 반복하여, C2/r2 차원의 관련 정도 정보를 얻을 수 있다. 다음 C2/r2 차원의 제3 특징 정보에서의 각 요소를, C2/r2 차원의 관련 정도 정보에서의 각 요소와 대응되게 곱하여, 각 인접 포인트의 C2/r2 차원의 제5 특징 정보를 얻는다.

다른 일부 실시형태에 있어서, 관련 정도 정보의 차원이, 각 인접 포인트의 제3 특징 정보의 차원의 M 배일 경우, 관련 정도 정보 및 M 개의 각 인접 포인트의 제3 특징 정보에 기반하여, 각 인접 포인트의 제5 특징 정보를 결정하며; M은 1보다 크거나 같은 정수이다.

예를 들어, 각 인접 포인트의 제3 특징 정보의 차원이 C2/r2이고, 각 데이터 포인트와 각 인접 포인트 사이의 관련 정도 정보의 차원이 C2/r1이며, C2/r1이 C2/r2의 M 배일 경우, C2/r2 차원의 각 인접 포인트의 제3 특징 정보를 M 회 반복하여, C2/r1 차원의 각 인접 포인트의 제3 특징 정보를 얻을 수 있다. 다음 C2/r1 차원의 각 인접 포인트의 제3 특징 정보에서의 각 요소를, C2/r1 차원의 관련 정도 정보에서의 각 요소와 대응되게 곱하여, C2/r1 차원의 제5 특징 정보를 얻는다.

단계 S505에 있어서, 각 인접 포인트의 제5 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정한다.

일부 실시예에 있어서, 단계 S505는, 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하여, 각 인접 포인트의 제6 특징 정보를 얻는 것; 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제6 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하는 것을 통해 구현될 수 있다.

각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하는 것은, 각 인접 포인트의 제5 특징 정보에 대해 선형 변환을 수행하는 것 중 한 가지에 속할 수 있다. 예를 들어, 특정된 매트릭스 또는 특정된 퍼셉트론을 사용하여 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행할 수 있다. 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행한 후, 차원이 C2인 각 인접 포인트의 제6 특징 정보를 얻을 수 있다.

이러한 방식을 통해, 포인트 클라우드 데이터의 처리 장치의 계산량을 감소시키기 위해, 퍼셉트론을 통해 추출된 특징에 대해 차원 압축 처리를 수행하지만, 차원 압축 처리는 특징 손실을 초래한다. 하지만, 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하는 것을 통해, 차원 압축 처리 중 손실된 특징을 복구할 수 있음으로써, 제6 특징 정보에 많은 특징이 구비되도록 하고, 각 데이터 포인트의 많은 특징을 발굴하는 것을 통해, 얻은 각 데이터 포인트의 특징 정보가 더욱 풍부하도록 한다.

일부 실시예에 있어서, 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제6 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는, 대응되는 복수 개의 인접 포인트의 제6 특징 정보 중 동일한 차원의 특징값을 합산하여, 각 데이터 포인트의 관련 특징 정보를 얻는 단계를 포함할 수 있다.

다른 일부 실시예에 있어서, 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제6 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는, 대응되는 복수 개의 인접 포인트의 제6 특징 정보 중 동일한 차원의 특징값을 합산하여, 각 데이터 포인트의 제3 특징 정보를 얻는 단계; 및 각 데이터 포인트의 제3 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 데이터 포인트의 관련 특징 정보를 얻는 단계를 포함할 수 있다.

이러한 방식을 통해, 복수 개의 인접 포인트의 제6 특징 정보 중 동일한 차원의 특징값을 합산함으로써, 각 데이터 포인트의 관련 특징 정보를 얻을 수 있음으로써, 복수 개의 인접 포인트의 특징 정보에 따라 데이터 포인트의 특징 정보를 결정하는 방안을 제공하고, 또한, 각 데이터 포인트의 관련 특징 정보가 대응되는 복수 개의 인접 포인트의 특징 정보에 기반하여 결정된 것임으로써, 얻은 각 데이터 포인트의 관련 특징 정보는 복수 개의 인접 포인트의 특징 정보를 결합하여 공동으로 결정할 수 있음으로써, 결정된 각 데이터 포인트의 관련 특징 정보가 각 데이터 포인트의 실제 특징에 최대한 가깝도록 할 수 있다.

단계 S506에 있어서, 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보를 병합하여, 각 데이터 포인트의 제1 타깃 특징 정보를 얻는다.

단계 S507에 있어서, 복수 개의 데이터 포인트의 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는다.

본 발명의 실시예에 있어서, 각 인접 포인트의 제3 특징 정보 및 관련 정도 정보를 중합하는 것을 통해, 추출된 특징을 강화할 수 있음으로써, 결정된 각 데이터 포인트의 관련 특징 정보가 각 데이터 포인트의 실제 특징에 최대한으로 가깝도록 할 수 있다.

도 6은 본 발명의 다른 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이고, 도 6에 도시된 바와 같이, 상기 방법은 포인트 클라우드 데이터의 처리 장치에 적용되며, 상기 방법은 아래와 같은 단계를 포함한다.

단계 S601에 있어서, 제3 포인트 클라우드 데이터를 획득한다.

제3 포인트 클라우드 데이터는 딥 카메라 또는 레이저 레이더에 의해 수집된 포인트 클라우드 데이터일 수 있다.

단계 S602에 있어서, 제3 포인트 클라우드 데이터를 보완하여, 대응되는 완전한 제4 포인트 클라우드 데이터를 얻는다.

제4 포인트 클라우드 데이터는 다른 실시예에서 루드 포인트 클라우드 데이터 또는 루드하고 완전한 포인트 클라우드 데이터로 지칭될 수 있다.

제3 포인트 클라우드 데이터에 대응되는 제4 포인트 클라우드 데이터를 결정하는 것은 여러 가지 방식을 통해 구현될 수 있고, 이는 본 발명의 실시예에서 주로 관심하는 내용이 아니므로, 본 발명의 실시예에서 이에 대해 더이상 반복하여 설명하지 않는다.

단계 S603에 있어서, 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터를 병합하여, 제1 포인트 클라우드 데이터를 생성한다.

일부 실시형태에 있어서, 단계 S603는, 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터를 병합하여, 입력 포인트 클라우드 데이터를 얻는 것; 입력 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 시작 특징 정보를 획득하는 것; 및 각 데이터 포인트의 시작 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 제1 포인트 클라우드 데이터를 얻는 것을 통해 구현될 수 있다.

실시 과정에서, 포인트 클라우드 데이터의 처리 장치는 각 데이터 포인트의 시작 특징 정보를 제5 퍼셉트론에 입력할 수 있고, 제5 퍼셉트론의 가중치를 통해 각 데이터 포인트의 시작 특징 정보를 처리하여, 제1 포인트 클라우드 데이터를 얻는다.

제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터를 병합하는 것은, 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터에 대해 텐서 컨캐터네이션(concatenation)을 수행하는 것일 수 있다. 다른 일부 실시예에 있어서, 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터를 병합하는 것은, 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터에 대해 텐서 합계(Element-wise summation)를 수행하는 것일 수 있다.

이러한 방식을 통해, 입력 포인트 클라우드 데이터의 각 데이터 포인트의 시작 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하는 것을 통해, 제1 포인트 클라우드 데이터를 얻음으로써, 제1 포인트 클라우드 데이터 중 각 데이터 포인트의 초기 특징 정보는, 각 데이터 포인트의 시작 특징 정보로부터 추출된 선형 변환 및 비선형 변환 중 적어도 하나에 의해 사용된 가중치에 대응되는 특징 정보임으로써, 제1 포인트 클라우드 데이터 중 각 데이터 포인트의 특징 정보를 풍부화할 수 있다.

다른 일부 실시형태에 있어서, 단계 S603은, 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터를 병합하여, 입력 포인트 클라우드 데이터를 얻고, 입력 포인트 클라우드 데이터를 제1 포인트 클라우드 데이터로 결정하는 것을 통해 구현될 수 있다.

단계 S604에 있어서, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득한다.

단계 S605에 있어서, 각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정한다.

단계 S606에 있어서, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정한다.

단계 S607에 있어서, 복수 개의 데이터 포인트의 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는다.

일부 실시예에 있어서, 단계 S606은, 각 데이터 포인트의 제1 타깃 특징 정보를 각 데이터 포인트의 제2 타깃 특징 정보로 결정하고, 각 데이터 포인트의 제2 타깃 특징 정보 및 각 데이터 포인트의 시작 특징 정보를 병합하여, 각 데이터 포인트의 제3 타깃 특징 정보를 얻는 것; 및 복수 개의 데이터 포인트의 각 데이터 포인트의 제3 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는 것을 통해 구현될 수 있다.

다른 일부 실시예에 있어서, 단계 S606은, 각 데이터 포인트의 타깃 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 데이터 포인트의 제2 타깃 특징 정보를 결정하는 것; 각 데이터 포인트의 제2 타깃 특징 정보 및 각 데이터 포인트의 시작 특징 정보를 병합하여, 각 데이터 포인트의 제3 타깃 특징 정보를 얻는 것; 및 복수 개의 데이터 포인트의 각 데이터 포인트의 제3 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는 것을 통해 구현될 수 있다.

각 데이터 포인트의 타깃 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하는 것은, 각 데이터 포인트의 타깃 특징 정보를 제6 퍼셉트론에 입력하여, 각 데이터 포인트의 제2 타깃 특징 정보를 얻는 것을 통해 구현될 수 있다.

여기서, 각 데이터 포인트의 제3 타깃 특징 정보는 제3 포인트 클라우드 데이터에 대응되는 정밀하고 완전한 포인트 클라우드 데이터를 결정하기 위한 것이고; 정밀하고 완전한 포인트 클라우드 데이터의 정밀도는 제4 포인트 클라우드 데이터의 정밀도보다 높다.

이러한 방식을 통해, 각 데이터 포인트의 제1 타깃 특징 정보를 획득한 후, 각 데이터 포인트의 제2 타깃 특징 정보를 결정할 수 있고, 각 데이터 포인트의 제2 타깃 특징 정보가 복잡한 계산을 통해 얻은 특징 정보이므로, 각 데이터 포인트의 제2 타깃 특징 정보 및 각 데이터 포인트의 시작 특징 정보를 병합하는 것을 통해, 얻은 출력 포인트 클라우드 데이터는 기울기가 사라지는 문제를 방지할 수 있고, 각 데이터 포인트의 제3 타깃 특징 정보는 각 데이터 포인트의 시작 특징 정보를 유지한다.

본 발명의 실시예에 있어서, 제1 포인트 클라우드 데이터가 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터에 기반하여 결정된 것임으로써, 제1 포인트 클라우드 데이터의 각 데이터 포인트의 제1 타깃 특징 정보를 결정할 경우, 이용하는 것은 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터의 결합임으로써, 얻은 각 데이터 포인트의 타깃 특징 정보는 제3 포인트 클라우드 데이터 중 각 데이터 포인트의 특징 정보를 유지할 뿐만 아니라, 제4 포인트 클라우드 데이터 중 각 데이터 포인트의 특징 정보도 유지함으로써, 각 데이터 포인트의 특징 정보를 풍부화하여, 얻은 각 데이터 포인트의 타깃 특징 정보에 많은 특징이 포함되도록 한다.

도 7은 본 발명의 또 다른 실시예에서 제공한 포인트 클라우드 데이터의 처리 방법의 구현 흐름 예시도이고, 도 7에 도시된 바와 같이, 상기 방법은 포인트 클라우드 데이터의 처리 장치에 적용되며, 상기 방법은 아래와 같은 단계를 포함한다.

단계 S701에 있어서, 제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득하고; 복수 개의 인접 포인트의 초기 특징 정보는, 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트의 초기 특징 정보를 포함한다.

여기서, 각 그룹의 인접 포인트는 복수 개의 인접 포인트를 포함하며; 적어도 두 그룹의 인접 포인트의 임의의 두 그룹의 인접 포인트 중 인접 포인트의 개수는 상이하다.

단계 S702에 있어서, 각 데이터 포인트의 초기 특징 정보 및 각 그룹의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 각 그룹의 인접 포인트 사이의 관련 정도 정보를 결정한다.

단계 S703에 있어서, 각 데이터 포인트와 대응되는 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정한다.

단계 S704에 있어서, 복수 개의 데이터 포인트의 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는다.

일부 실시형태에 있어서, 적어도 두 그룹의 인접 포인트가 제1 그룹의 인접 포인트 및 제2 그룹의 인접 포인트를 포함할 경우, 제1 그룹의 인접 포인트는 K1 개의 인접 포인트를 포함하고, 제2 그룹의 인접 포인트는 K1와 상이한 K2 개의 인접 포인트를 포함하므로, 제1 관련 정도 정보 및 제2 관련 정도 정보를 각각 얻을 수 있음으로써, 포인트 클라우드 데이터의 처리 장치는 제1 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 그룹의 특징 정보를 결정할 수 있고, 제2 관련 정도 정보에 기반하여, 각 데이터 포인트의 제2 그룹의 특징 정보를 결정할 수 있다. 다음 제1 그룹의 특징 정보 및 제2 그룹의 특징 정보에 기반하여, 제1 타깃 특징 정보를 결정한다. 여기서, 제1 관련 정도 정보, 제2 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 그룹의 특징 정보, 제2 그룹의 특징 정보를 각각 결정하는 방식은 상기 실시예에서의 설명을 참조할 수 있다.

본 발명의 실시예에 있어서, 각 데이터 포인트의 초기 특징 정보 및 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 각 그룹의 인접 포인트 사이의 관련 정도 정보를 각각 결정하고, 적어도 두 개의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 공동으로 결정함으로써, 얻은 각 데이터 포인트의 제1 타깃 특징 정보는 복수 그룹의 상이한 개수의 인접 포인트의 특징 정보에 따라 공동으로 결정된 것이므로, 결정된 각 데이터 포인트의 제1 타깃 특징 정보의 풍부도를 향상시킨다.

본 발명의 실시예는 자체 주의력 커널을 통해 대칭성 등과 같은 포인트 클라우드 내의 구조 관계를 학습할 수 있음으로써, 더욱 효과적인 정보를 획득하여, 포인트 클라우드 관련 작업의 표현을 향상시킨다.

아래에 포인트 클라우드 자체 주의력 커널(Point Self-Attention Kernel, PSA)의 아키텍처를 설명한다.

도 8은 본 발명의 실시예에서 제공한 포인트 클라우드 자체 주의력 커널의 아키텍처 예시도이고, 포인트 클라우드 자체 주의력 커널은 상기 포인트 클라우드 데이터의 처리 장치일 수 있거나 상기 포인트 클라우드 데이터의 처리 장치에 포함되며, 도 8에 도시된 바와 같다.

먼저, 포인트 클라우드 데이터[B×C×N]를 입력 모듈(801)에 입력한다. 여기서, B는 배치 사이즈(batch size)를 나타내고, 배치 크기는 한 번에 포인트 클라우드 데이터의 처리 장치에 의해 입력된 제1 포인트 클라우드 데이터의 배치 개수를 나타낼 수 있다. C는 특징 사이즈(Feature size)를 나타내고, 특징 사이즈는 특징의 차원의 개수를 나타낼 수 있다. N은 넘버 포인트(number point)를 나타내고, 넘버 포인트는 제1 포인트 클라우드 데이터에서의 넘버 포인트의 개수를 나타낼 수 있다.

다음, 최근접 이웃 알고리즘(KNN)(802)에 기반하여 [B×C×N]의 K의 인접 포인트 [B×C×K×N]를 결정한다. [B×C×N]은 상기 실시예에서의 각 데이터 포인트의 초기 특징 정보에 대응된다. [B×C×K×N]은 상기 실시예에서의 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 대응된다.

그 다음, 공유 MLP(803)를 통해 포인트 [B×C×N]에 대해 차원 리프팅 변환을 수행한 다음, 파라미터 r1을 사용하여 차원 감소를 수행하여, [B×C/r₁×1×N]으로 전환시킨다. 공유 MLP(804)를 통해 [B×C×K×N]에 대해 차원 리프팅 변환을 수행한 다음, 파라미터 r₁를 사용하여 차원 감소를 수행하여, [B×C/r₁×K×N]으로 전환시킨다. [B×C/r₁×1×N] 및 [B×C/r₁×K×N]에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관계를 나타내기 위한 가중치 γ를 결정한다. 여기서, 가중치 γ는 상기 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보에 대응된다.

다음, 공유 MLP(805)를 통해 [B×C×K×N]에 대해 차원 리프팅 변환을 수행한 다음, 파라미터 r₂를 사용하여 차원 감소를 수행하여, [B×C/r₂×K×N]으로 전환시킨다. [B×C/r₂×K×N] 및 가중치 γ를 중합 모듈(806)에 입력하여 중합한다. 여기서, [B×C/r₂×K×N] 및 가중치 γ를 중합 모듈(806)에 입력하여 중합하는 것은 상기 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하는 것에 대응된다.

마지막으로, 중합 결과를 공유 MLP(807)에 입력하여, [B×C×N]를 얻은 다음, 잔차 전달 연결을 사용하여 입력 모듈의 [B×C×N]와 공유 MLP(807)에 기반하여 얻은 [B×C×N]을 병합하여, [B×C×N]을 출력한다. 이로써, 포인트 클라우드 중 인접 포인트의 상호 관계를 적응적으로 학습하는 것을 통해 키 포인트 및 풍부한 포인트 클라우드 특징을 추출한다. 상기 특징 정보는 포인트 클라우드 보완 네트워크의 표현을 강화시킬 수 있다.

도 9는 본 발명의 실시예에서 제공한 타깃 포인트 커널의 아키텍처 예시도이고, 도 9에 도시된 바와 같이, 도 8에서의 포인트 클라우드 자체 주의력 커널은 도 9의 타깃 포인트 커널의 아키텍처에 포함된다.

타깃 포인트 커널은, 포인트 클라우드 자체 주의력 커널(도 9에서의 a), 포인트 선택 커널 모듈(Point Selective Kernel Module, PSK)(도 9에서의 b) 및 잔차 포인트 선택 커널 모듈(Selective Kernel module, R-PSK)(도 9에서의 c)을 포함할 수 있다.

도 9(b)에서, 두 개의 브랜치 상황을 디스플레이하고, 즉 PSA[K1] 및 PSA[K2]의 두 개의 자체 주의력 커널 모듈을 포함하며, 여기서, 두 개의 PSA 커널은 상이한 커널(즉 K-NN) 크기를 구비한다. 먼저, 이 두 개의 커널 모듈 PSA [K1] 및 PSA [K2]를 융합하여, 융합된 결과를 글로벌 평균 풀링 계층(901)에 입력하고; 다음, 글로벌 평균 풀링 계층(901)의 출력 결과를, 완전 연결 계층(902)에 입력하며; 그 다음, 완전 연결 계층(902)의 출력 결과를 완전 연결 계층(903 및 904)에 각각 입력하며; 다음, 완전 연결 계층(903 및 904)의 출력 결과를 softmax 계층(905)에 입력하며; 다음, softmax 계층(905)에 의해 출력된 완전 연결 계층(903)의 출력 결과를 처리한 결과룰, PSA[K1]의 결과와 융합하며; softmax 계층(905)에 의해 출력된 완전 연결 계층(904)의 출력 결과를 처리한 결과를, PSA[K2]의 결과를 융합하며; 마지막으로, 상기 두 개의 융합된 결과를, 재차 융합하여 최종적인 출력 결과, 즉 출력된 정밀하고 완전한 포인트 클라우드 모델링을 얻는다.

도 9(c)에서, 먼저, [B×Cin×N]의 방식으로 포인트 클라우드 데이터를 입력 모듈(911)에 입력하고; 다음, 공유 MLP(912)를 사용하여 입력된 [B×Cin×N]을 처리하여, [B×Cout×N]을 출력하며; 다음, 출력된 [B×Cout×N]을 PSK913에 입력하여, PSK(913)에 의해 출력된 [B×Cout×N]을 얻으며; 다음, 공유 MLP(914)를 사용하여 PSK(913)에 의해 출력된 [B×Cout×N]을 처리하여, 처리 결과와 공유 MLP(915)에 의해 출력된 [B×Cout×N]을 융합하여, 최종적인 출력 결과를 얻는다.

다른 일부 실시형태에 있어서, 타깃 포인트 커널은 포인트 선택 커널 모듈을 포함하지 않을 수 있으므로, 도 9(c)의 PSK(913)을 PSA로 수정하면 되고, 즉 공유 MLP(912)의 출력을 PSA의 입력에 전송하며, PSA의 입력을 MLP(914)에 전송한다.

도 10은 본 발명의 실시예에서 제공한 관계 향상 네트워크의 구성 구조 예시도이고, 도 10에 도시된 바와 같이, RENet는 에지 보존 풀링(Edge-preserved Pooling, EP) 및 에지 보존 비풀링(Edge-preserved Unpooling, EU) 모듈을 사용하는 것을 통해 분류 계층 인코더-디코더 체계 구조를 구현한다. 도 10에서, 루드하고 완전한 포인트 클라우드(1001) 및 제3 포인트 클라우드(1002)를 분류 계층 인코더(1003)의 입력으로서, 분류 계층 인코더(1003)에서, 순차적으로 R-PSK64, R-PSK128, R-PSK256 및 R-PSK512를 통해 입력된 포인트 클라우드 데이터의 특징을 인코딩하여, 최종적으로 포인트 클라우드 특징 차원이 512인 포인트 클라우드 특징 데이터를 얻으며; R-PSK의 출력 결과에 대해 멀티 계층 EP 처리를 수행하여, 분류 계층 인코딩을 구현하며; 인코더의 출력 결과는, 완전 연결 계층(1004)에 입력되고, 완전 연결 계층(1004)의 출력 결과와 RPSK(512)의 출력 결과를 융합하여, 특징 차원을 확장한다. 융합 결과에 대해 분류 계층 디코더(1005)를 사용하여 디코딩하고, 분류 계층 디코더(1005)가 멀티 계층 EU를 사용하여 처리하여, 분류 계층 디코딩을 구현함으로써, RPSK(64)의 출력 결과를 얻으며; 마지막으로, 공유 MLPs(1007)를 사용하여 RPSK(64)의 출력 결과를 처리하여, 최종적인 정밀한 포인트 클라우드 구조를 얻는다.

이로써, 에지 센싱 특징 확장 모듈을 사용하여 포인트 특징을 확장하는 것을 통해, 예측된 정밀한 일부 세부 사항을 구비하는 고 해상도의 완전한 포인트 클라우드를 생성할 수 있다. 따라서, 멀티 스케일 구조 관계를 이용하여 정밀한 세부 사항을 생성할 수 있다.

전술한 실시예에 기반하여, 본 발명의 실시예는 포인트 클라우드 데이터의 처리 장치를 제공하고, 상기 장치는 포함된 각 유닛, 및 각 유닛에 포함된 각 모듈을 포함하며, 전자 기기에서의 프로세서를 통해 구현될 수 있다.

도 11은 본 발명의 실시예에서 제공한 포인트 클라우드 데이터의 처리 장치의 구성 구조 예시도이고, 도 11에 도시된 바와 같이, 포인트 클라우드 데이터의 처리 장치(1100)는,

제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득하기 위한 획득 유닛(1101);

각 데이터 포인트의 초기 특징 정보 및 대응되는 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하기 위한 제1 결정 유닛(1102);

각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정하기 위한 제2 결정 유닛(1103); 및

복수 개의 데이터 포인트의 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻기 위한 재구축 유닛(1104)을 포함한다.

일부 실시예에 있어서, 제1 결정 유닛(1102)은 또한, 각각 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 데이터 포인트의 제1 특징 정보 및 대응되는 각 인접 포인트의 제1 특징 정보를 얻고; 각 데이터 포인트의 제1 특징 정보 및 대응되는 각 인접 포인트의 제1 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하기 위한 것이다.

일부 실시예에 있어서, 제1 결정 유닛(1102)은 또한, 각 데이터 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 각 데이터 포인트의 제2 특징 정보를 얻고; 각 데이터 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 각 데이터 포인트의 제1 특징 정보를 얻으며 - 각 데이터 포인트의 제1 특징 정보의 차원은, 각 데이터 포인트의 초기 특징 정보의 차원보다 큼 - ; 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 대응되는 각 인접 포인트의 제2 특징 정보를 얻으며; 각 인접 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 대응되는 각 인접 포인트의 제1 특징 정보를 얻기 위한 것이며; 여기서, 각 인접 포인트의 제1 특징 정보의 차원은, 각 인접 포인트의 초기 특징 정보의 차원보다 크다.

일부 실시예에 있어서, 제2 결정 유닛(1103)은 또한, 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하고; 각 데이터 포인트의 관련 특징 정보 및 각 데이터 포인트의 초기 특징 정보를 병합하여, 각 데이터 포인트의 제1 타깃 특징 정보를 얻기 위한 것이다.

일부 실시예에 있어서, 제2 결정 유닛(1103)은 또한, 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻고; 각 데이터 포인트와 대응되는 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하기 위한 것이다.

일부 실시예에 있어서, 제2 결정 유닛(1103)은 또한, 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 각 인접 포인트의 제4 특징 정보를 얻고; 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행하여, 각 인접 포인트의 제3 특징 정보를 얻기 위한 것이며; 여기서, 각 인접 포인트의 제3 특징 정보의 차원은, 각 인접 포인트의 초기 특징 정보의 차원보다 크다.

일부 실시예에 있어서, 제2 결정 유닛(1103)은 또한, 관련 정도 정보 및 각 인접 포인트의 제3 특징 정보를 중합하여, 각 인접 포인트의 제5 특징 정보를 얻고; 각 인접 포인트의 제5 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하기 위한 것이다.

일부 실시예에 있어서, 제2 결정 유닛(1103)은 또한, 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하여, 각 인접 포인트의 제6 특징 정보를 얻고; 대응되는 복수 개의 인접 포인트의 각 인접 포인트의 제6 특징 정보에 기반하여, 각 데이터 포인트의 관련 특징 정보를 결정하기 위한 것이다.

일부 실시예에 있어서, 획득 유닛(1101)은 또한, 제3 포인트 클라우드 데이터를 획득하고; 제3 포인트 클라우드 데이터를 보완하여, 대응되는 완전한 제4 포인트 클라우드 데이터를 얻으며; 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터를 병합하여, 제1 포인트 클라우드 데이터를 생성하기 위한 것이다.

일부 실시예에 있어서, 획득 유닛(1101)은 또한, 제3 포인트 클라우드 데이터 및 제4 포인트 클라우드 데이터를 병합하여, 입력 포인트 클라우드 데이터를 얻고; 입력 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 시작 특징 정보를 획득하며; 각 데이터 포인트의 시작 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 제1 포인트 클라우드 데이터를 얻기 위한 것이다.

일부 실시예에 있어서, 재구축 유닛(1104)은, 각 데이터 포인트의 제1 타깃 특징 정보를 각 데이터 포인트의 제2 타깃 특징 정보로 결정하거나, 각 데이터 포인트의 제1 타깃 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 각 데이터 포인트의 제2 타깃 특징 정보를 결정하고; 각 데이터 포인트의 제2 타깃 특징 정보 및 각 데이터 포인트의 시작 특징 정보를 병합하여, 각 데이터 포인트의 제3 타깃 특징 정보를 얻으며; 복수 개의 데이터 포인트의 각 데이터 포인트의 제3 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻기 위한 것이다.

일부 실시예에 있어서, 복수 개의 인접 포인트의 초기 특징 정보는, 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트의 초기 특징 정보를 포함하고; 각 그룹의 인접 포인트는 복수 개의 인접 포인트를 포함하며; 적어도 두 그룹의 인접 포인트의 임의의 두 그룹의 인접 포인트 중 인접 포인트의 개수는 상이하며; 제1 결정 유닛(1102)은 또한, 각 데이터 포인트의 초기 특징 정보 및 각 그룹의 인접 포인트의 초기 특징 정보에 기반하여, 각 데이터 포인트와 대응되는 각 그룹의 인접 포인트 사이의 관련 정도 정보를 결정하기 위한 것이며; 제2 결정 유닛(1103)은 또한, 각 데이터 포인트와 대응되는 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트 사이의 관련 정도 정보에 기반하여, 각 데이터 포인트의 제1 타깃 특징 정보를 결정하기 위한 것이다.

포인트 클라우드 데이터의 처리 장치(1100)는 상기 어느 한 방법에서의 포인트 클라우드 데이터의 처리 장치이다.

이상의 장치 실시예의 설명은, 상기 방법 실시예의 설명과 유사한 것으로서, 방법 실시예와 유사한 유익한 효과를 갖는다. 본 발명 장치 실시예에서 미개시한 기술적인 세부 사항은, 본 발명 방법 실시예의 설명을 참조하여 이해할 수 있다.

설명해야 할 것은, 본 발명의 실시예에 있어서, 소프트웨어 기능 모듈의 형태로 상기 포인트 클라우드 데이터의 처리 방법을 구현하고, 독립적인 제품으로서 판매되거나 사용될 경우, 컴퓨터 저장 매체에 저장될 수도 있다. 이러한 이해에 기반하여, 본 발명의 실시예의 기술 방안, 즉 관련 기술에 기여하는 부분은 소프트웨어 제품의 형태로 반영될 수 있고, 상기 컴퓨터 소프트웨어 제품은 저장 매체에 저장되며, 복수 개의 명령어를 포함하여 전자 기기가 본 출원의 각 실시예에 따른 방법의 전부 또는 일부를 실행하기 위한 것이다. 전술한 저장 매체는, USB 디스크, 모바일 하드 디스크, 판독 전용 메모리(Read Only Memory, ROM), 자기 디스크 또는 광 디스크 등과 같은 프로그램 코드를 저장할 수 있는 다양한 매체를 포함한다. 이로써, 본 발명의 실시예는 임의의 특정된 하드웨어 및 소프트웨어 조합에 한정되지 않는다.

도 12는 본 발명의 실시예에서 제공한 전자 기기의 하드웨어 엔티티 예시도이고, 도 12에 도시된 바와 같이, 상기 전자 기기(1200)의 하드웨어 엔티티는, 프로세서(1201) 및 메모리(1202)를 포함하며, 여기서, 메모리(1202)는 프로세서(1201) 상에서 작동 가능한 컴퓨터 프로그램을 저장하며, 프로세서(1201)는 프로그램을 실행할 경우 상기 어느 한 실시예의 방법에서의 단계를 구현한다. 전자 기기(1200)는 상기 열거된 칩 또는 프로세서가 적용 가능한 어느 한 기기일 수 있다.

메모리(1202)는 프로세서 상에서 작동 가능한 컴퓨터 프로그램을 저장하고, 메모리(1202)는 프로세서(1201)가 실행 가능한 명령어 및 응용을 저장하도록 구성되며, 프로세서(1201) 및 전자 기기(1200)에서 각 모듈에 의해 이미 처리되었거나 처리될 데이터(예를 들어, 이미지 데이터, 오디오 데이터, 음성 통신 데이터 및 동영상 통신 데이터)를 캐싱하며, 플래시(FLASH) 또는 랜덤 액세스 메모리(Random Access Memory, RAM)를 통해 구현될 수 있도록 구성된다.

프로세서(1201)는 프로그램을 실행할 경우 상기 어느 한 포인트 클라우드 데이터의 처리 방법의 단계를 구현한다. 프로세서(1201)는 전자 기기(1200)의 전체 조작을 일반적으로 제어한다.

본 발명의 실시예는 컴퓨터 저장 매체를 제공하고, 컴퓨터 저장 매체는 하나 또는 복수 개의 프로그램을 저장하며, 상기 하나 또는 복수 개의 프로그램은 하나 또는 복수 개의 프로세서에 의해 실행될 수 있어, 상기 어느 한 실시예에 따른 포인트 클라우드 데이터의 처리 방법의 단계를 구현한다.

여기서 설명해야 할 것은, 이상의 저장 매체 및 기기 실시예의 설명은, 상기 방법 실시예의 설명과 유사하게, 방법 실시예와 유사한 유익한 효과를 구비한다. 본 발명의 저장 매체 및 기기 실시예에서 미개시한 기술적인 세부 사항은, 본 발명의 방법 실시예의 설명을 참조하여 이해할 수 있다.

본 발명의 실시예의 프로세서 또는 포인트 클라우드 데이터의 처리 장치는 집적 회로 칩일 수 있으며, 신호 처리 능력을 구비한다. 구현 과정에 있어서, 상기 방법 실시예의 각 단계들은 프로세서의 하드웨어 집적 논리 회로 또는 소프트웨어 형태의 명령어를 통해 완료될 수 있다. 상기 프로세서는 범용 프로세서, 응용 주문형 직접 회로(Application Specific Integrated Circuit, ASIC), 디지털 신호 프로세서(Digital Signal Processor, DSP), 디지털 신호 처리 장치(Digital Signal Processing Device, DSPD), 프로그래머블 논리 장치(Programmable Logic Device, PLD), 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array, FPGA), 중앙처리장치(Central Processing Unit, CPU), 그래픽 프로세서(Graphics Processing Unit, GPU), 신경 네트워크 프로세서(Neural-network Processing Unit, NPU), 컨트롤러, 마이크 컨트롤러, 마이크로 프로세서 중 적어도 하나일 수 있다. 프로세서 또는 포인트 클라우드 데이터의 처리 장치는 본 발명의 실시예에서 개시된 각 방법, 단계 및 논리 블록도를 구현하거나 실행할 수 있다. 범용 프로세서는 마이크로 프로세서 또는 임의의 일반적인 프로세서 등일 수도 있다. 본 발명의 실시예를 결합하여 개시된 방법의 단계는, 하드웨어 디코딩 프로세서로 직접 반영되어 실행 및 완료될 수 있거나, 디코딩 프로세서에서의 하드웨어 및 소프트웨어 모듈의 조합에 의해 실행 및 완료될 수 있다. 소프트웨어 모듈은 랜덤 액세스 메모리, 플래시 메모리, 판독 전용 메모리, 프로그래머블 판독 전용 메모리 또는 전기적 소거 가능 프로그래머블 메모리, 레지스터 등 본 기술 분야에서 널리 알려진 저장 매체에 위치할 수 있다. 상기 저장 매체는 메모리에 위치하고, 프로세서는 메모리의 정보를 판독한 후 하드웨어와 결합하여 상기 방법의 단계들을 완료한다.

이해할 수 있는 것은, 본 발명의 실시예의 메모리 또는 컴퓨터 저장 매체는 휘발성 메모리 또는 비휘발성 메모리일 수 있으며, 휘발성 메모리 및 비휘발성 메모리 모두를 포함할 수도 있다. 여기서, 비 휘발성 메모리는 판독 전용 메모리(Read-Only Memory, ROM), 프로그래머블 판독 전용 메모리(Programmable ROM, PROM), 소거 가능 프로그래머블 판독 전용 메모리(Erasable PROM, EPROM), 전기적 소거 가능 판독 전용 프로그래머블 메모리(Electrically EPROM, EEPROM) 또는 플래시 메모리일 수 있다. 휘발성 메모리는 외부 쾌속 캐시 역할을 하는 랜덤 액세스 메모리(Random Access Memory, RAM)일 수 있다. 한정적이 아닌 예시적인 설명을 통해, 많은 형태의 RAM이 사용 가능하며, 예를 들어, 정적 랜덤 액세스 메모리(Static RAM, SRAM), 동적 랜덤 액세스 메모리(Dynamic RAM, DRAM), 동기식 동적 랜덤 액세스 메모리(Synchronous DRAM, SDRAM), 더블 데이터 레이트 동기식 동적 랜덤 액세스 메모리(Double Data Rate SDRAM, DDR SDRAM), 향상된 동기식 동적 랜덤 액세스 메모리(Enhanced SDRAM, ESDRAM), 동기식 연결 동적 랜덤 액세스 메모리(Synchlink DRAM, SLDRAM) 및 직접 메모리 버스 랜덤 액세스 메모리(Direct Rambus RAM, DR RAM)이다. 유의해야 할 것은, 본 명세서에 설명된 시스템 및 방법의 메모리는 이들 메모리 및 다른 임의의 적합한 유형의 메모리를 포함하나 이에 한정되는 것은 아니다.

이해해야 할 것은, 명세서에서 언급된 “하나의 실시예”또는 “일 실시예” 또는 “본 발명의 실시예” 또는 “전술한 실시예” 또는 “일부 실시형태” 또는 “일부 실시예”는 실시예와 관련된 특정한 특징, 구조 또는 특성이 본 발명의 적어도 하나의 실시예에 포함되는 것을 의미한다. 따라서, 전체 명세서의 곳곳에서 나타나는 “하나의 실시예에서” 또는 “일 실시예에서” 또는 “본 발명의 실시예” 또는 “전술한 실시예” 또는 “일부 실시형태” 또는 “일부 실시예”는 동일한 실시예를 무조건 가리키는 것은 아니다. 또한, 이러한 특정한 특징, 구조 또는 특성은 임의의 적합한 방식으로 하나 또는 복수 개의 실시예에 결합될 수 있다. 이해해야 할 것은, 본 발명의 각 종류의 실시예에서, 상기 각 과정의 번호의 크기는 수행 순서의 선후를 의미하지 않고, 본 발명의 실시예의 실시 과정은 어떠한 것도 한정하지 않으며, 각 과정의 수행 순서는 그 기능 및 내적 논리에 따라 확정된다. 상기 본 발명의 실시예의 번호는 다만 설명을 위한 것일 뿐, 실시예의 우열을 나타내는 것은 아니다.

본 발명에서 제공된 몇 개의 실시예에 있어서, 개시된 방법은 다른 방식으로 구현될 수 있음을 이해해야 한다. 전술한 기기 실시예는 다만 예시적일 뿐이고, 예컨대, 상기 유닛에 대한 분할은 다만 논리적 기능 분할이고, 실제로 구현될 경우 다른 분할 방식이 있을 수 있으며, 예를 들어, 복수 개의 유닛 또는 컴포넌트는 다른 시스템에 결합되거나 통합될 수 있거나, 또는 일부 특징을 무시하거나 실행하지 않을 수 있다. 또한, 나타내거나 논의된 각 구성 부분의 상호간의 결합 또는 직접 결합 또는 통신 연결은, 일부 인터페이스, 기기 또는 유닛을 통한 간접 결합 또는 통신 연결일 수 있고, 전기적, 기계적 또는 다른 형태일 수 있다.

상기 분리 부재로서 설명된 유닛은, 물리적으로 분리되거나, 분리되지 않을 수도 있고, 유닛으로서 나타낸 부재는 물리적 유닛일 수도, 아닐 수도 있으며, 한 곳에 위치할 수 있을 뿐만 아니라, 복수 개의 네트워크 유닛에 분포될 수도 있으며; 실제 필요에 따라 유닛의 일부 또는 전부를 선택하여 본 실시예의 방안의 목적을 구현할 수 있다.

또한, 본 발명의 각 실시예에서의 각 기능 유닛은 하나의 처리 유닛에 전부 통합될 수 있으며, 각 유닛이 각각 독립적으로 하나의 유닛으로서 존재할 수도 있거나, 두 개 또는 두 개 이상의 유닛이 하나의 유닛에 통합될 수도 있으며; 상기 통합된 유닛은 하드웨어의 형태로 구현될 수 있을 뿐만 아니라, 하드웨어와 소프트웨어 기능 유닛의 형태로 구현될 수도 있다.

본 발명에서 제공한 몇 개의 방법 실시예에서 언급된 방법은, 충돌되지 않는 경우 임의로 조합되어, 새로운 방법 실시예를 얻을 수 있다.

본 발명에서 제공한 몇 개의 제품 실시예에서 언급된 특징은, 충돌되지 않는 경우 임의로 조합되어, 새로운 제품 실시예를 얻을 수 있다.

본 발명에서 제공한 몇 개의 방법 또는 기기 실시예에서 언급된 특징은, 충돌되지 않는 경우 임의로 조합되어, 새로운 방법 실시예 또는 기기 실시예를 얻을 수 있다.

본 기술분야의 통상의 기술자는 상기 방법 실시예를 구현하기 위한 모든 또는 일부 동작은 프로그램 명령어와 관련되는 하드웨어를 통해 완성되며, 전술한 프로그램은 컴퓨터 저장 매체에 저장될 수 있으며, 상기 프로그램이 실행될 때, 상기 방법 실시예를 포함하는 단계를 실행하며; 전술한 저장 매체는 모바일 저장 기기, ROM, RAM, 자기 디스크 또는 광 디스크와 같은 프로그램 코드를 저장할 수 있는 다양한 매체를 포함한다.

또는, 본 발명의 상기 통합된 유닛이 소프트웨어 기능 유닛의 형태로 구현되고 독립적인 제품으로서 판매되거나 사용되는 경우, 컴퓨터 저장 매체에 저장될 수도 있다. 이러한 이해에 기반하여, 본 발명의 실시예의 기술 방안, 즉 관련 기술에 기여하는 부분은 소프트웨어 제품의 형태로 구현될 수 있고, 상기 컴퓨터 소프트웨어 제품은 하나의 저장 매체에 저장되며, 하나의 컴퓨터 기기(개인용 컴퓨터, 서버 또는 네트워크 기기 등일 수 있음)로 하여금 본 발명의 각 실시예의 상기 방법의 전부 또는 일부를 실행하는데 사용되는 복수 개의 명령어를 포함한다. 전술한 저장 매체는, 모바일 하드 디스크, ROM, 자기 디스크 또는 광 디스크 등과 같은 프로그램 코드를 저장할 수 있는 다양한 매체를 포함한다.

본 발명의 실시예에 있어서, 상이한 실시예에서 동일한 단계 및 동일한 내용의 설명은, 상호 참조할 수 있다. 본 발명의 실시예 및 청구 범위에 사용된 단수 형태인 “한 가지” 및 "상기”는 본문이 다른 의미를 명확하게 나타내지 않는 한, 복수 형태를 포함한다.

이해하여야 할 것은, 본 명세서에서 사용된 용어 “및/또는”은 단지 관련된 대상의 관련 관계를 서술하는 것이고, 세 종류의 관계가 존재할 수 있다는 것을 표시하며, 예를 들어, A 및/또는 B는 A가 단독으로 존해하거나, A와 B가 동시에 존해하거나, B가 단독으로 존재하는 세 종류의 경우를 표시할 수 있다. 또한, 본 명세서에서 문장 부호 "/"는, 일반적으로 선후 관련 대상이 "또는" 관계임을 나타낸다.

설명해야 할 것은, 본 발명에서 언급된 각 실시예에서, 전부 단계를 실행하거나 일부 단계를 실행할 수 있고, 하나의 완전한 기술방안을 형성할 수 있으면 된다.

이상의 설명은 다만 본 발명의 실시 형태일뿐이고, 본 발명의 보호 범위는 이에 한정되지 않는다. 본 출원이 속하는 기술 분야의 통상의 기술자라면, 본 발명에서 개시된 기술적 범위 내의 변화 또는 교체가 모두 본 발명의 보호 범위 내에 속해야 함을 쉽게 알 수 있을 것이다. 따라서, 본 발명의 보호 범위는 상기 특허청구범위의 보호 범위를 기준으로 해야 한다.

Claims

포인트 클라우드 데이터의 처리 방법으로서,
제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 상기 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득하는 단계;
상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계;
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계; 및
상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제1항에 있어서,
상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계는,
각각 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보를 얻는 단계; 및
상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 상기 관련 정도 정보를 결정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제2항에 있어서,
각각 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보를 얻는 단계는,
상기 각 데이터 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 데이터 포인트의 제2 특징 정보를 얻는 단계;
상기 각 데이터 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보를 얻는 단계 - 상기 각 데이터 포인트의 제1 특징 정보의 차원은, 상기 각 데이터 포인트의 초기 특징 정보의 차원보다 큼 - ;
상기 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 대응되는 각 인접 포인트의 제2 특징 정보를 얻는 단계; 및
상기 각 인접 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 대응되는 각 인접 포인트의 제1 특징 정보를 얻는 단계 - 상기 각 인접 포인트의 제1 특징 정보의 차원은, 상기 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계는,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계; 및
상기 각 데이터 포인트의 관련 특징 정보 및 상기 각 데이터 포인트의 초기 특징 정보를 병합하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 얻는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제4항에 있어서,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는,
상기 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻는 단계; 및
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제5항에 있어서,
상기 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻는 단계는,
상기 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 인접 포인트의 제4 특징 정보를 얻는 단계; 및
상기 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻는 단계 - 상기 각 인접 포인트의 제3 특징 정보의 차원은, 상기 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제5항 또는 제6항에 있어서,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는,
상기 관련 정도 정보 및 상기 각 인접 포인트의 제3 특징 정보를 중합하여, 상기 각 인접 포인트의 제5 특징 정보를 얻는 단계; 및
상기 각 인접 포인트의 제5 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제7항에 있어서,
상기 각 인접 포인트의 제5 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계는,
상기 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 인접 포인트의 제6 특징 정보를 얻는 단계; 및
각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제6 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제1항 내지 제8항 중 어느 한 항에 있어서,
상기 포인트 클라우드 데이터의 처리 방법은,
제3 포인트 클라우드 데이터를 획득하는 단계;
상기 제3 포인트 클라우드 데이터를 보완하여, 대응되는 완전한 제4 포인트 클라우드 데이터를 얻는 단계; 및
상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 상기 제1 포인트 클라우드 데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제9항에 있어서,
상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 상기 제1 포인트 클라우드 데이터를 생성하는 단계는,
상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 입력 포인트 클라우드 데이터를 얻는 단계;
상기 입력 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 시작 특징 정보를 획득하는 단계; 및
상기 각 데이터 포인트의 시작 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 제1 포인트 클라우드 데이터를 얻는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제10항에 있어서,
상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻는 단계는,
상기 각 데이터 포인트의 제1 타깃 특징 정보를 상기 각 데이터 포인트의 제2 타깃 특징 정보로 결정하는 단계, 또는, 상기 각 데이터 포인트의 제1 타깃 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제2 타깃 특징 정보를 결정하는 단계;
상기 각 데이터 포인트의 제2 타깃 특징 정보 및 상기 각 데이터 포인트의 시작 특징 정보를 병합하여, 상기 각 데이터 포인트의 제3 타깃 특징 정보를 얻는 단계; 및
상기 복수 개의 데이터 포인트의 상기 각 데이터 포인트의 제3 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 상기 제2 포인트 클라우드 데이터를 얻는 단계를 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 방법.
제1항 내지 제11항 중 어느 한 항에 있어서,
상기 복수 개의 인접 포인트의 초기 특징 정보는, 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트의 초기 특징 정보를 포함하고; 각 그룹의 인접 포인트는 복수 개의 인접 포인트를 포함하며; 상기 적어도 두 그룹의 인접 포인트의 임의의 두 그룹의 인접 포인트 중 인접 포인트의 개수는 상이하며;
상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계는, 상기 각 데이터 포인트의 초기 특징 정보 및 상기 각 그룹의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 각 그룹의 인접 포인트 사이의 관련 정도 정보를 결정하는 단계를 포함하며;
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계는, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 적어도 두 그룹의 인접 포인트 중 상기 각 그룹의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하는 단계를 포함하는 것을 특징으로 하는 포인트클라우드 데이터의 처리 방법.
포인트 클라우드 데이터의 처리 장치로서,
제1 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 초기 특징 정보, 및 상기 각 데이터 포인트를 중심 포인트로 하는 복수 개의 인접 포인트의 초기 특징 정보를 획득하기 위한 획득 유닛;
상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하기 위한 제1 결정 유닛;
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하기 위한 제2 결정 유닛; 및
상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻기 위한 재구축 유닛을 포함하는 것을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제13항에 있어서,
상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하기 위해, 상기 제1 결정 유닛은,
각각 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보를 얻고;
상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 상기 관련 정도 정보를 결정하기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제14항에 있어서,
각각 상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 초기 특징 정보에 대해, 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보 및 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보를 얻기 위해, 상기 제1 결정 유닛은,
상기 각 데이터 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 데이터 포인트의 제2 특징 정보를 얻고;
상기 각 데이터 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 각 데이터 포인트의 제1 특징 정보를 얻으며 - 상기 각 데이터 포인트의 제1 특징 정보의 차원은, 상기 각 데이터 포인트의 초기 특징 정보의 차원보다 큼 - ;
상기 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 각 데이터 포인트에 대응되는 각 인접 포인트의 제2 특징 정보를 얻으며;
상기 각 인접 포인트의 제2 특징 정보에 대해 차원 압축 처리를 수행하여, 각 데이터 포인트에 대응되는 각 인접 포인트의 제1 특징 정보를 얻기 위한 것 - 상기 각 인접 포인트의 제1 특징 정보의 차원은, 상기 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제13항 내지 제15항 중 어느 한 항에 있어서,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하기 위해, 상기 제2 결정 유닛은,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하고;
상기 각 데이터 포인트의 관련 특징 정보 및 상기 각 데이터 포인트의 초기 특징 정보를 병합하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 얻기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제16항에 있어서,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하기 위해, 상기 제2 결정 유닛은,
상기 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻고;
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제17항에 있어서,
상기 복수 개의 인접 포인트의 각 인접 포인트의 초기 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻기 위해, 상기 제2 결정 유닛은,
상기 각 인접 포인트의 초기 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 인접 포인트의 제4 특징 정보를 얻고;
상기 각 인접 포인트의 제4 특징 정보에 대해 차원 압축 처리를 수행하여, 상기 각 인접 포인트의 제3 특징 정보를 얻기 위한 것 - 상기 각 인접 포인트의 제3 특징 정보의 차원은, 상기 각 인접 포인트의 초기 특징 정보의 차원보다 큼 - 임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제17항 또는 제18항에 있어서,
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보, 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제3 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하기 위해, 상기 제2 결정 유닛은,
상기 관련 정도 정보 및 상기 각 인접 포인트의 제3 특징 정보를 중합하여, 상기 각 인접 포인트의 제5 특징 정보를 얻고;
상기 각 인접 포인트의 제5 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제19항에 있어서,
상기 각 인접 포인트의 제5 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하기 위해, 상기 제2 결정 유닛은,
상기 각 인접 포인트의 제5 특징 정보에 대해 차원 확장 처리를 수행하여, 상기 각 인접 포인트의 제6 특징 정보를 얻고;
대응되는 상기 복수 개의 인접 포인트의 각 인접 포인트의 제6 특징 정보에 기반하여, 상기 각 데이터 포인트의 관련 특징 정보를 결정하기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제13항 내지 제20항 중 어느 한 항에 있어서,
상기 획득 유닛은 또한,
제3 포인트 클라우드 데이터를 획득하고;
상기 제3 포인트 클라우드 데이터를 보완하여, 대응되는 완전한 제4 포인트 클라우드 데이터를 얻으며;
상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 상기 제1 포인트 클라우드 데이터를 생성하기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제21항에 있어서,
상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 상기 제1 포인트 클라우드 데이터를 생성하기 위해, 상기 획득 유닛은,
상기 제3 포인트 클라우드 데이터 및 상기 제4 포인트 클라우드 데이터를 병합하여, 입력 포인트 클라우드 데이터를 얻고;
상기 입력 포인트 클라우드 데이터의 복수 개의 데이터 포인트 중 각 데이터 포인트의 시작 특징 정보를 획득하며;
상기 각 데이터 포인트의 시작 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 제1 포인트 클라우드 데이터를 얻기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제22항에 있어서,
상기 복수 개의 데이터 포인트의 상기 제1 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 제2 포인트 클라우드 데이터를 얻기 위해, 상기 재구축 유닛은,
상기 각 데이터 포인트의 제1 타깃 특징 정보를 상기 각 데이터 포인트의 제2 타깃 특징 정보로 결정하거나, 상기 각 데이터 포인트의 제1 타깃 특징 정보에 대해 선형 변환 및 비선형 변환 중 적어도 하나를 수행하여, 상기 각 데이터 포인트의 제2 타깃 특징 정보를 결정하고;
상기 각 데이터 포인트의 제2 타깃 특징 정보 및 상기 각 데이터 포인트의 시작 특징 정보를 병합하여, 상기 각 데이터 포인트의 제3 타깃 특징 정보를 얻으며;
상기 복수 개의 데이터 포인트의 상기 각 데이터 포인트의 제3 타깃 특징 정보에 기반하여 포인트 클라우드 데이터 재구축을 수행하여, 상기 제2 포인트 클라우드 데이터를 얻기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
제13항 내지 제23항 중 어느 한 항에 있어서,
상기 복수 개의 인접 포인트의 초기 특징 정보는, 적어도 두 그룹의 인접 포인트 중 각 그룹의 인접 포인트의 초기 특징 정보를 포함하고; 각 그룹의 인접 포인트는 복수 개의 인접 포인트를 포함하며; 상기 적어도 두 그룹의 인접 포인트의 임의의 두 그룹의 인접 포인트 중 인접 포인트의 개수는 상이하며;
상기 각 데이터 포인트의 초기 특징 정보 및 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보를 결정하기 위해, 상기 제1 결정 유닛은, 상기 각 데이터 포인트의 초기 특징 정보 및 상기 각 그룹의 인접 포인트의 초기 특징 정보에 기반하여, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 각 그룹의 인접 포인트 사이의 관련 정도 정보를 결정하는 기 위한 것이며;
상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 복수 개의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하기 위해, 상기 제2 결정 유닛은, 상기 각 데이터 포인트와 각 데이터 포인트에 대응되는 상기 적어도 두 그룹의 인접 포인트 중 상기 각 그룹의 인접 포인트 사이의 관련 정도 정보에 기반하여, 상기 각 데이터 포인트의 제1 타깃 특징 정보를 결정하기 위한 것임을 특징으로 하는 포인트 클라우드 데이터의 처리 장치.
전자 기기로서,
메모리 및 프로세서를 포함하고,
상기 메모리는 상기 프로세서에서 작동 가능한 컴퓨터 프로그램을 저장하며,
상기 프로세서는 상기 컴퓨터 프로그램을 실행할 경우 제1항 내지 제12항 중 어느 한 항에 따른 포인트 클라우드 데이터의 처리 방법에서의 단계를 구현하는 것을 특징으로 하는 전자 기기.
컴퓨터 저장 매체로서,
상기 컴퓨터 저장 매체는 하나 또는 복수 개의 프로그램을 저장하고, 상기 하나 또는 복수 개의 프로그램은 하나 또는 복수 개의 프로세서에 의해 실행 가능하여, 제1항 내지 제12항 중 어느 한 항에 따른 포인트 클라우드 데이터의 처리 방법에서의 단계를 구현하는 것을 특징으로 하는 컴퓨터 저장 매체.