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！

龙图腾网获悉吉林大学申请的专利一种编码器-解码器网络结构及采用该网路结构的点云数据分类与分割方法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：CN115186804B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202210930933.5，技术领域涉及：G06N3/0455；该发明授权一种编码器-解码器网络结构及采用该网路结构的点云数据分类与分割方法是由洪伟;董迪锴设计研发完成，并于2022-08-04向国家知识产权局提交的专利申请。

本一种编码器-解码器网络结构及采用该网路结构的点云数据分类与分割方法在说明书摘要公布了：本发明公开一种编码器‑解码器网络结构及采用该网路结构的点云数据分类与分割方法，应用于室内机器人根据小规模点云数据的分类或分割任务进行智能操作的领域。本发明在U‑Net网络基础上，基于点云输入数据的特征，借鉴了Transformer网络的结构，设计了针对性更强的编码器模块，主要包括位置嵌入和特征提取两个子模块。位置嵌入子模块中，设计了一个多层感知机，描述相对位置信息的全局交互关系，并与绝对位置信息进行矩阵拼接后作为后续网络输入。特征提取子模块中，低维特征提取时使用一维卷积操作，在高维特征提取中设计了多头相对自注意力机制替代原有的二维卷积操作，能够有效地提取交互信息，更准确地表达点云的局部特征。

本发明授权一种编码器-解码器网络结构及采用该网路结构的点云数据分类与分割方法在权利要求书中公布了：1.一种编码器-解码器网络结构，其特征在于，其编码器模块中包含位置嵌入子模块和特征提取子模块， 其中，位置嵌入子模块中位置嵌入的过程如下： 1输入点云数据，计算点云的空间位置中心以及每个点相对于中心的位置； 2通过一个由一层输入层、两层隐藏层和一层输出层的全连接结构组成的多层感知机，将每个点相对于中心的位置作为输入； 3将多层感知机输出的结果与步骤1输入的点云数据进行矩阵拼接，完成位置嵌入； 特征提取子模块中进一步包括下采样和一维卷积功能模块、全局二分池化和一维卷积功能模块以及多个全局二分池化和多头相对自注意力功能模块； 下采样和一维卷积功能模块中使用最远点采样算法对输入数据进行二倍均匀下采样，然后进行一维卷积操作； 全局二分池化和一维卷积功能模块中使用全局二分池化进行下采样，然后进行一维卷积操作； 全局二分池化和相对自注意力功能模块中使用全局二分池化进行下采样，然后通过多头相对自注意力机制完成特征提取； 其中，一维卷积操作具体步骤如下： 设卷积输入数据为针对Pcin，设从i开始的连续h个元素记为： 针对基于卷积操作获得特征ci的方法如下： 其中，为卷积核的权重矩阵，为偏置项，f·使用ReLU激活函数； 针对Pcin，利用上述操作，得到特征图C，则有： 选取l个w，分别针对Pcin进行如上的单步卷积，得到最终的一维卷积的输出 令h依次选取h1、h2、h3，分别针对Pcin进行如上的卷积得到进而利用矩阵拼接，并进行零填充后得到联合的卷积输出 多头相对自注意力机制的实现方法如下： 设输入特征为x＝x1,x2,xi,…,x，多头相对自注意力机制的输出特征为y＝y,y,y,…,y，其中，n为特征项个数； 自注意力机制中query，key和value的对应矩阵令d＝d＝d，则计算公式如下： ＝x·W,K＝x·W,V＝x·W 其中为线性矩阵，通过学习优化参数； 自注意力机制通过计算每个输入点与整体输入的相关性程度，从而突出重点特征，常用的自注意力机制定义如下： 为了有效提取交互信息，更准确表达点云的局部特征，引入相对自注意力机制； 使用多层感知机计算key任意两个向量Vi和Vj的交互信息，则有： 使用多层感知机计算value任意两个向量Ki和Kj的交互信息，则有： 然后将和加入自注意力机制形成相对自注意力机制，公式如下： 将上述公式简写为 引入可以并行运算的多头相对自注意力机制，首先将输入先均分为H组，每组数据输入给一个相对自注意力机制，其中每组query，key和value的对应矩阵和令dq′＝dk′＝dv′＝dqH； 然后多组并行运算，得到相应的输出如下： 最后将每组输出级联构成多头相对自注意力机制的输出，级联方法如下： 其中设计可学习矩阵来减少因为分块处理导致信息缺失的损失。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。