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！

龙图腾网获悉北京大学深圳研究生院申请的专利点云质量评价模型的训练方法、设备及存储介质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：CN116524332B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202310382151.7，技术领域涉及：G06V10/98；该发明授权点云质量评价模型的训练方法、设备及存储介质是由高伟;汪继龙;李革设计研发完成，并于2023-04-07向国家知识产权局提交的专利申请。

本点云质量评价模型的训练方法、设备及存储介质在说明书摘要公布了：本发明公开了一种点云质量评价模型的训练方法、设备及存储介质，涉及数据处理技术领域，基于点云样本数据得到多模态样本特征和融合样本特征，基于多模态样本特征计算得到多模态损失函数值，和基于融合样本特征计算得到融合损失函数值，基于多模态损失函数值和融合损失函数值对分支网络进行训练，得到点云质量评价模型，通过计算所得的多模态损失函数值和融合损失函数值对生成多模态样本特征和融合样本特征的分支网络进行训练，从而对分支网络进行约束和优化，以此提升分支网络输出的多模态样本特征和融合样本特征的有效性，促进点云质量评价的准确性的提升。

本发明授权点云质量评价模型的训练方法、设备及存储介质在权利要求书中公布了：1.一种点云质量评价模型的训练方法，其特征在于，所述点云质量评价模型的训练方法包括以下步骤： 基于点云样本数据得到多模态样本特征和融合样本特征； 基于所述多模态样本特征计算得到多模态损失函数值，和基于所述融合样本特征计算得到融合损失函数值； 基于所述多模态损失函数值和所述融合损失函数值对分支网络进行训练，得到点云质量评价模型，其中，所述分支网络包括输出所述多模态样本特征的多模态特征提取网络和输出所述融合样本特征的融合网络； 所述基于点云样本数据得到多模态样本特征和融合样本特征的步骤，包括： 对所述点云样本数据进行预处理得到多模态样本数据； 通过所述多模态特征提取网络从所述多模态样本数据中提取多尺度样本特征； 对所述多尺度样本特征进行卷积和特征连接得到所述多模态样本特征，同时通过融合网络对所述多尺度样本特征进行融合得到所述融合样本特征； 所述多模态样本数据包括二维图像投影和三维点簇群集，所述多模态特征提取网络包括图像特征提取网络和点簇特征提取网络，所述多尺度样本特征包括多尺度图像样本特征和多尺度点簇样本特征；所述通过所述多模态特征提取网络从所述多模态样本数据中提取多尺度样本特征的步骤，包括： 将所述二维图像投影输入到所述图像特征提取网络的第一基础卷积模块中，得到第一深度卷积块； 基于所述第一深度卷积块生成所述多尺度图像样本特征，其中，所述多尺度图像样本特征为包含有若干不同卷积尺度的图像样本特征；同时， 将所述三维点簇群集输入到所述点簇特征提取网络的第二基础卷积模块中，得到第二深度卷积块； 基于所述第二深度卷积块生成所述多尺度点簇样本特征，其中，所述多尺度点簇样本特征为包含有若干不同卷积尺度的点簇样本特征； 所述多模态样本特征包括综合图像样本特征和综合点簇样本特征； 所述对所述多尺度样本特征进行卷积和特征连接得到所述多模态样本特征的步骤，包括： 将所述多尺度图像样本特征进行合并后输入到所述图像特征提取网络的第三基础卷积模块中，得到若干图像特征函数； 将所述若干图像特征函数输入到所述图像特征提取网络的第一连接模块中进行特征连接，得到所述综合图像样本特征；同时， 将所述多尺度点簇样本特征进行合并后输入到所述点簇特征提取网络的第四基础卷积模块中，得到若干点簇特征函数； 将所述若干点簇特征函数输入到所述点簇特征提取网络的第二连接模块中进行特征连接，得到所述综合点簇样本特征。

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北京大学深圳研究生院，其通讯地址为：518000 广东省深圳市南山区西丽街道深圳大学城北大园区H栋208室；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。