(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