(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211113533.1
(22)申请日 2022.09.14
(71)申请人 陕西合众全兴防务科技有限公司
地址 710076 陕西省西安市高新区锦业路
旺都国际第四幢4901 1室
(72)发明人 史径丞 常鑫亮 李丹 禹永永
刘欢 胡姝昳
(74)专利代理 机构 成都九鼎天元知识产权代理
有限公司 51214
专利代理师 周浩杰
(51)Int.Cl.
G06V 10/26(2022.01)
G06N 3/04(2006.01)
G06V 10/44(2022.01)
G06V 10/774(2022.01)G06V 10/82(2022.01)
G06V 20/70(2022.01)
(54)发明名称
一种细粒度点分割材质分类方法
(57)摘要
本发明公开了一种细粒度点分割材质分类
方法, 属于数据识别领域, 包括步骤: S1, 制作数
据样本库; S2, 构建细粒度点分割网络; S3, 训练
细粒度点分割网络; S4, 获取利用训练后的细粒
度点分割网络进行材质分类预测的输出结果。 本
发明能够 有效融合数据各阶段特征, 精细化分割
结果, 提高分类精度, 具有高精度、 高效率、 泛化
能力强的特点。
权利要求书2页 说明书7页 附图2页
CN 115424019 A
2022.12.02
CN 115424019 A
1.一种细粒度点分割材质分类方法, 其特 征在于, 包括以下步骤:
S1, 制作数据样本库;
S2, 构建细粒度点分割网络;
S3, 训练细粒度点分割网络;
S4, 获取利用训练后的细粒度点分割网络进行 材质分类预测的输出 结果。
2.根据权利要求1所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S1中, 包括
子步骤:
S11, 采集多幅设定尺寸的遥感可 见光图像;
S12, 对采集的图像进行像素级分类标注作为标签, 将标签转 为位图形式保存;
S13, 将多幅图像及对应标签根据设定比例划分训练集和验证集, 制作完成数据样本
库。
3.根据权利要求1所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S2中, 包括
子步骤:
S21, 构建主干特征提取网络, 输入可见光图像通过主干特征提取网络分别提取低阶特
征和高阶特 征;
S22, 构建空洞空间卷积池化金字塔网络, 分别使用1 ×1卷积层、 第一空洞尺度的3 ×3
卷积层、 第二空洞尺度的3 ×3卷积层、 第三空洞尺度的3 ×3卷积层、 池化层来 提取特征;
S23, 构建采样点 生成网络, 根据高阶特 征生成采样点;
S24, 然后构建细粒度点分割网络, 分别输入高阶特征和空洞空间卷积池化金字塔网络
提取特征, 提取细粒度点分割特 征;
S25, 构建预测头网络 。
4.根据权利要求3所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S3中, 包括
子步骤:
S31, 设置训练总世代数E, 第e世代训练细粒度点分割网络模型为Me, e为序数;
S32, 每世代训练从训练集中随机 选择多个样本作为输入;
S33, 细粒度点分割网络参数 更新;
S34, 保存细 粒度点分割网络, 统计所有世代损失函数, 计算最小值, 匹配网络参数进行
本地化保存。
5.根据权利要求1所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S4中, 包括
子步骤: 将验证集作为输入数据, 经训练好的细粒度点分割网络模型前向传播, 得到最 终细
粒度点分割网络材质分类预测的输出 结果。
6.根据权利要求2所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S11中, 所述
多幅设定尺寸的遥感可见光图像包括K幅尺寸为H ×H的遥感可见光图像, 其中K>8000, H≥
256; 在步骤S12 中, 所述进行像素级分类具体包括进行手动像素级分类, 且所述位图包括8
位图; 在步骤S13中, 所述设定比例包括9:1。
7.根据权利要求3所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S22中, 所述
第一空洞尺度为6, 所述第二空洞尺度为12, 所述第三空洞尺度为18。
8.根据权利要求4所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S31中, 所述
训练总世代数E>10 0。权 利 要 求 书 1/2 页
2
CN 115424019 A
29.根据权利要求4所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S32中, 所述
每世代训练从训练集中随机 选择多个样本作为输入, 包括子步骤:
S321, 样本经主干特 征提取网络提取 特征得到低阶特 征xl和高阶特 征xh;
S322, xh经空洞空间卷积池化金字塔 网络并上采样得到x1, xl经1×1卷积得到第二 中间
特征x2, 二者合并后经3 ×3卷积进一 步提取特征并进行维度变化得到第三中间特 征x3;
S323, xh经采样点 生成网络, 得到采样点;
S324, xh和x3分别经过采样点进行细粒度点分割, 合并形成细粒度点特 征x4;
S325, x4经预测头网络获得训练阶段的预测输出。
10.根据权利要求4所述的细粒度点分割材质分类方法, 其特征在于, 在步骤S33中, 所
述细粒度点分割网络参数 更新, 包括子步骤:
细粒度点分割网络中总损失 L为:
其中, Lseg为网络分割的损失, Lpoint为网络细粒度点 的损失, αt为样本调制 参数, γ为分
类系数参数, pt为预测函数,
,
根据总损失L反 向传播, 更新计算梯度
和
, 再根据梯度 更新网络权重参数
和偏置
参数b进行迭代。权 利 要 求 书 2/2 页
3
CN 115424019 A
3
专利 一种细粒度点分割材质分类方法
安全报告 >
其他 >
文档预览
中文文档
12 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共12页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 04:39:33上传分享