基于深宽知识蒸馏的三维点云物体识别方法
摘要文本
本发明属于三维点云物体识别领域，公开了一种基于深宽知识蒸馏的三维点云物体识别方法，首先，选取深度学习模型作为教师模型，将原始点云数据输入教师模型进行预训练和测试，分别获取训练和测试后的特征节点、增强节点以及预测结果；其次，将训练完成后得到的数据经过知识蒸馏后作为堆叠宽度学习模型的训练样本，训练得到宽度学习分类器，最后，将教师模型测试得到的数据经过知识蒸馏得到的样本数据作为测试数据，将其输入到训练完成的宽度学习分类器中得到类标签。本发明通过将教师模型的优势迁移至堆叠宽度学习模型，从而利用知识蒸馏后的学生模型可以获得更好的分类能力，并且利用堆叠宽度模型大大降低了模型的计算量，提高了分类的速度。
申请人信息
- 申请人:南京邮电大学
- 申请人地址:210003 江苏省南京市鼓楼区新模范马路66号
- 发明人: 南京邮电大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于深宽知识蒸馏的三维点云物体识别方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202410009182.2 |
| 申请日 | 2024/1/4 |
| 公告号 | CN117523549B |
| 公开日 | 2024/3/29 |
| IPC主分类号 | G06V20/64 |
| 权利人 | 南京邮电大学 |
| 发明人 | 田逸非; 陈敏; 李朋阳; 尹捷明; 吕梦婕; 周剑 |
| 地址 | 江苏省南京市鼓楼区新模范马路66号 |
专利主权项内容
1.一种基于深宽知识蒸馏的三维点云物体识别方法，其特征在于：所述三维点云物体识别方法包括如下步骤：步骤1.选取深度学习网络模型作为教师模型，基于训练点云数据集对教师模型进行训练，利用所述教师模型提取原始点云数据的区分性特征，并获取所述教师模型生成的软标签；步骤2.构造一个n层宽度学习网络的stackKDBLS模型，将所述stackKDBLS模型作为学生模型，并将步骤1中获取的区分性特征进行拼接，作为学生模型的输入；步骤3.利用步骤1深度学习网络获取的软标签信息和点云数据的真实标签对步骤2构造的stackKDBLS模型进行训练；步骤4.若步骤3中的最终训练结果超过一个预定的阈值的话，则在原始的stackKDBLS模型的基础上，进一步堆叠一个宽度学习网络，其中：步骤2中构造的stackKDBLS模型即学生模型包括n个宽度学习系统模块，所述n个宽度学习系统模块通过残差连接堆叠，第i-1个宽度学习系统模块的输出将作为第i个宽度学习系统模块的输入，且第i个宽度学习系统模块的输出为第1，2，…，i-1个宽度学习系统模块的残差，i≤n，宽度学习系统模块最后输出为n个宽度学习系统模块的输出总和，每个宽度学习系统模块包括特征节点、特征节点权重、增强节点和增强节点权重，所述步骤2具体包括：假定输入数据为x，输出数据为y，则第i个宽度学习系统模块的输出为u为：i其中，和/>为特征节点与输出层的连接权重，/>为随机生成的输入与特征节点之间的权重，/>为随机生成的特征节点与增强节点之间的连接权重；Q(·)是P(·)和Q(·)的复合映射，其中P(·)为特征节点的广义函数，Q(·)为增强节点的广义函数，vi＝g(u-1)，g(·)为映射函数，系统的最终输出为：pi。（来 自 马 克 数 据 网）