买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利一种点云语义分割方法和装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116310310B 。

龙图腾网通过国家知识产权局官网在2026-05-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211742792.0，技术领域涉及：G06V10/26；该发明授权一种点云语义分割方法和装置是由刘而云;许婧玮设计研发完成，并于2022-12-27向国家知识产权局提交的专利申请。

本一种点云语义分割方法和装置在说明书摘要公布了：本发明公开了一种点云语义分割方法和装置。包括：采集场景中的点云数据作为数据集；以3D稀疏卷积为编解码器，基于PointTransformer设计帧间局部注意力模块，构建融合时序信息的语义分割网络结构；根据所获得数据集训练语义分割网络，获得用于语义分割的模型；利用语义分割模型对待分割点云数据进行语义分割。本发明可以处理大规模室外场景任务，增加了帧间局部注意力模块，可以解决遮挡物体以及少数类别分割精度低的问题，避免了一般Transformer引入全局特征导致无用信息的干扰。

本发明授权一种点云语义分割方法和装置在权利要求书中公布了：1.一种点云语义分割方法，其特征在于，包括以下步骤： 步骤1通过数据采集装备采集场景中的点云数据作为数据集； 步骤2以3D稀疏卷积为编解码器，基于PointTransformer设计帧间局部注意力模块，构建融合时序信息的语义分割网络结构； 融合时序信息的点云语义分割网络包括依次连接的数据预处理模块、特征编码模块、帧间局部注意力模块、特征编解码模块和后处理模块； 步骤3根据步骤1获得的数据集训练步骤2构建的语义分割网络，获得用于语义分割的模型； 步骤4利用语义分割模型对待分割点云数据进行语义分割 所述步骤2中的特征编码模块和特征解码模块基于UNet网络中的Encoder-Decoder网络结构设计，特征编码模块和特征解码模块之间设置有帧间局部注意力模块；数据预处理模块的输出输入到特征编码模块后得到当前帧的特征向量Ft和前一帧的特征向量Ft−1，当前帧的特征向量Ft和前一帧的特征向量Ft−1输入帧间局部注意力模块后输出特征向量Ft′′，再经特征解码模块输入后处理模块； 所述步骤2中的帧间局部注意力模块由两个线性层和一个帧间局部注意力层组成，帧间局部注意力层包括三个线性学习层、两个邻域搜索层、位置编码层和可学习权重层； 帧间局部注意力模块利用当前帧和前一帧的索引位置找到当前帧每个非空体素对应的前一帧的k邻域，然后通过权重矩阵对当前帧特征进行更新，具体包括以下步骤： 1将当前帧的特征向量Ft和前一帧的特征向量Ft−1输入第一个线性层后分别得到当前帧的特征向量Ft′和前一帧的特征向量Ft−1′； 2线性学习层：当前帧的特征向量Ft′通过第一个线性学习层的线性变换得到Q向量；前一帧的特征向量Ft−1′分别经过第二个和第三个线性学习层的线性变换得到K向量和V向量； 其中Q∈Rn2×C，K∈Rn1×C，V∈Rn1×C，n1和n2分别代表前一帧和当前帧非空体素个数，C表示特征通道数； 3邻域搜索层： K向量经过第一个邻域搜索层的邻域搜索得到当前帧每一个有效体素对应的前一帧的k个邻域，并输出特征向量K′和相对位置pr； V向量经过第二个邻域搜索层的邻域搜索操作得到当前帧每一个有效体素对应的前一帧的k个邻域，并输出特征向量V′； 其中，K′∈Rn2×k×C；V′∈Rn2×k×C；pr为k个邻域与中心点的相对位置，pr∈Rn2×k×3； 4位置编码层：第一个邻域搜索层输出的相对位置pr输入位置编码层，位置编码层将pr的特征维度进行统一之后得到pr′，pr′∈Rn2×k×C； 5可学习权重层：可学习权重层由MLP层和softmax函数组成，MLP层包括两个线性层和一个ReLU非线性层； 可学习权重层的输入为向量Q、向量K′和pr′，通过MLP层学习邻域与中心点之间的相关性，然后通过softmax函数得到权重矩阵； 6特征更新层：将位置编码层的输出pr′与特征向量V′相加后与可学习权重层输出的权重矩阵进行矢量相乘得到更新的有效体素特征Ft′′； 7将有效体素特Ft′′输入第二个线性层，第二个线性层的输出即为帧间局部注意力模块的输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。