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基于空间结构多样性的数据点语义聚类主动学习方法及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：CN116824189B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202310809759.3，技术领域涉及：G06V10/762；该发明授权基于空间结构多样性的数据点语义聚类主动学习方法及装置是由范磊磊;罗亚威;杨易设计研发完成，并于2023-07-03向国家知识产权局提交的专利申请。

本基于空间结构多样性的数据点语义聚类主动学习方法及装置在说明书摘要公布了：本发明公开了一种基于空间结构多样性的数据点语义聚类主动学习方法及装置。其步骤如下：1将原始点云分组为各个超点，随机选取少量的超点进行人工标注，训练一个初步的模型；2使用基于权重的超点不确定性估计方法和空间‑结构多样性推理方法，来选择将被人工标注的候选超点；3利用噪声感知迭代标记策略，将纯度低于阈值的候选超点分割成多个子区域处理。将候选超点进行人工标注，并微调模型；4对剩余的未标注超点计算softmaxentropy，结构复杂度，颜色不连续性三个指标，给区域信息评分排名较高的一批未标注超点打上伪标签，成为已标注数据；5回到步骤2，利用已标注数据重新训练或微调模型，并重复循环，直到人工标注预算耗尽。

本发明授权基于空间结构多样性的数据点语义聚类主动学习方法及装置在权利要求书中公布了：1.一种基于空间结构多样性的数据点语义聚类主动学习方法，其特征在于包括如下步骤： S1：将原始点云数据分为一系列超点，随机选取部分超点进行人工标注，并用这些人工标注的超点训练一个数据点语义聚类模型； S2：利用最新训练完成的数据点语义聚类模型去预测点云数据中其他未标注的超点，并使用基于权重的超点不确定性估计方法和空间-结构多样性推理方法选择用于进行人工标注的候选超点； S3：遍历每个候选超点，计算每个候选超点的纯度，若候选超点的纯度不低于阈值，则将候选超点加入候选集合，若候选超点的纯度低于阈值，则利用噪声感知迭代标记策略，将纯度低于阈值的候选超点分割成多个子区域，并重新计算每个子区域的纯度，将纯度高于阈值的子区域作为新的候选超点加入候选集合，并丢弃纯度低于阈值的子区域不加入候选集合；当候选集合中的候选超点数量超过预设值后，对其中的候选超点进行人工标注，并利用新标注的超点与原有的已标注超点对数据点语义聚类模型进行微调； S4：用微调后的数据点语义聚类模型对点云数据中剩余的所有未标注超点计算softmax熵，再结合超点的结构复杂度和颜色不连续性两个指标，计算出每个未标注超点的区域信息评分，选择区域信息评分最高的一部分未标注超点打上伪标签，成为已标注超点；其中每个未标注超点的伪标签为微调后的数据点语义聚类模型对超点中所有数据点进行分类后得到的占比最高的语义类别标签；再利用所有已标注超点重新微调数据点语义聚类模型；所述步骤S4的具体实现方法如下： S41：用微调后的数据点语义聚类模型对点云数据中剩余的所有未标注超点s计算softmax概率分布，然后计算该区域的softmax熵，计算式如下： 式中：Pi表示超点s中数据点i的语义类别概率分布，{x：x∈s}表示超点s中的数据点个数； S42：针对每个未标注超点s，计算其中每个数据点的表面变化σi，然后对属于该超点的数据点的表面变化σi求平均，以平均值作为该超点s的结构复杂度得分： S43：针对每个未标注超点s，以其自身为中心超点si，找到与其最近的k个最近邻超点sj，然后计算对应的颜色不连续性分数： 其中，表示-norm，和是点和点的颜色强度值； S44：由S41~S43中的三个得分进行加权组合，计算出每个超点的区域信息分数： 其中，、、是权重系数； S45：将点云数据中剩余的所有未标注超点按照区域信息分数进行降序排列，并选择分数最高的预设数量的一批超点，将每个超点的多数点集标签作为各自的伪标签，使这批超点成为已标注超点；再将这些伪标签标注后的超点与之前的已标注超点合并，重新训练或微调数据点语义聚类模型； S5：不断迭代S2~S4，重复循环对数据点语义聚类模型进行训练或微调，直到达到终止条件，以最终得到的数据点语义聚类模型对点云中的数据点进行语义分类。

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”。