1.特征金字塔图卷积神经网络,其特征在于该网络的的结构,具体包括:
第一ResGCN残差图网络块,用于对输入的点云进行特征提取,得到n×32大小的特征信息Ⅰ;特征信息Ⅰ依次通过多层感知机和图的最大池化操作得到256大小的特征信息,然后再通过多层感知机对得到的256大小的特征信息进行预测,输出类别的预测分数Ⅰ;
第二ResGCN残差图网络块对第一块ResGCN残差图网络块输出的的特征信息Ⅰ进行特征提取,得到n×64大小的特征信息Ⅱ;特征信息Ⅱ依次通过多层感知机和图的最大池化操作得到512大小的特征信息,然后再通过多层感知机对得到的512大小的特征信息进行预测,输出类别的预测分数Ⅱ;
第三ResGCN残差图网络块对第二块ResGCN残差图网络块输出的特征信息Ⅱ进行特征提取,得到n×128大小的特征图信息Ⅲ;对第一、第二和第三ResGCN残差图网络块输出的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ进行合并连接,得到新的特征信息Ⅳ,通过多层感知机和图的最大池化操作对合并连接后的特征信息Ⅳ进行操作,得到1024大小的特征信息,然后通过多层感知机对得到的1024大小的特征信息进行预测,输出类别的预测分数Ⅲ;
对第一、第二和第三ResGCN残差图网络块最后输出的预测分数Ⅰ、Ⅱ和Ⅲ进行融合,得出最终的预测结果。
2.根据权利要求1所述的特征金字塔图卷积神经网络,其特征在于所述的ResGCN残差图网络块通过六层ResGCN图网络组成,且中每一个图网络层的输出是下一个图网络层的输入,每一个图网络层的输出并通过跳跃连接的方式与下一个图网络层的输出进行组合,同时每一个图网络层的输出都连接到残差图块的最后,六个图网络层的输出共同组合成ResGCN残差图网络块的输出。
3.根据权利要求1或2所述的特征金字塔图卷积神经网络在3D点云分类中的应用,其特征在于具体应用实现如下:步骤1:特征金字塔图卷积神经网络的训练;
在特征金字塔图卷积神经网络训练时,初始化网络学习率为0.001,网络训练的优化器采用Adam,网络最大训练200epoch,选取网络训练中验证结果最优的模型作为网络使用的模型;
步骤2:通过训练好的特征金字塔图卷积神经网络对输入的点云进行特征提取;
2-1.通过第一ResGCN残差图网络块对输入的点云进行特征提取,得到n×32大小的特征信息Ⅰ;
2-2.通过第二ResGCN残差图网络块对第一块ResGCN残差图网络块输出的的特征信息Ⅰ进行特征提取,得到n×64大小的特征信息Ⅱ;
2-3.通过第三ResGCN残差图网络块对第二块ResGCN残差图网络块输出的特征信息Ⅱ进行特征提取,得到n×128大小的特征图信息Ⅲ;
进一步,所述的ResGCN残差图网络块结构如下:
ResGCN残差图网络块通过六层ResGCN图网络组成,每层ResGCN图网络的具体计算方式如下:表示该层网络的输入, 表示该层网络的输出, 是该层网络对输入的整体映射过程, 表示该层网络中通过网络参数对输入的映射过程, 表示 的输出结果;
步骤3:对得到的三种不同尺度的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ分别进行预测;
3-1.对n×32大小的特征信息Ⅰ进行预测;
先将特征信息Ⅰ依次通过多层感知机和图的最大池化操作得到256大小的特征信息,然后再通过多层感知机对得到的256大小的特征信息进行预测,输出类别的预测分数Ⅰ;
3-2.对n×64大小的特征信息Ⅱ进行预测;
先将特征信息Ⅱ依次通过多层感知机和图的最大池化操作得到512大小的特征信息,然后再通过多层感知机对得到的512大小的特征信息进行预测,输出类别的预测分数Ⅱ;
3-3.对第一、第二和第三ResGCN残差图网络块输出的特征信息Ⅰ、特征信息Ⅱ、特征信息Ⅲ进行合并连接,得到新的特征信息Ⅳ,通过多层感知机和图的最大池化操作对合并连接后的特征信息Ⅳ进行操作,得到1024大小的特征信息,然后通过多层感知机对得到的
1024大小的特征信息进行预测,输出类别的预测分数Ⅲ;
步骤4:对第一、第二和第三ResGCN残差图网络块最后输出的预测分数Ⅰ、Ⅱ和Ⅲ进行融合,得出最终的预测结果。
4.根据权利要求3所述的特征金字塔图卷积神经网络在3D点云分类中的应用,其特征在于所述的融合过程如下:对预测分数Ⅰ、Ⅱ和Ⅲ进行累加,然后通过softmax计算出最终的类别预测分数,每个3D点云选择预测分数最高的类别为最终的输出结果。