(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211241202.6 (22)申请日 2022.10.11 (71)申请人 杭州师范大学 地址 311121 浙江省杭州市余杭区余杭塘 路2318号 (72)发明人 刘复昌　李晨璇　杜婧　缪永伟　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 杨舟涛 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于Nystrom与行列式采样的小样本点 云分 类方法 (57)摘要 本发明公开了基于Nystrom与行列式采样的 小样本点云分类方法， 该方法通过基于DPP和 Nystrom改进的抽样方法对无标签训练集进行建 模筛选出一组多样性子集， 同时结合Dirichlet 过程中的中餐馆模型作为先验分布， 打破了原有 标签的分类， 使得生成的每类训练数据更具有代 表性和合理性。 然后将元训练集输入PointNet++ 模型中， 并配合MAML算法进行训练。 再对训练好 的模型使用少量目标样本数据进行参数微调， 快 速完成与新任务的适配。 本方法通过挖掘数据类 内相似性与多样性， 使数据集分布更加均匀且合 理， 降低了模型对数据量的依赖的同时， 提高模 型泛化能力， 具有较好的可迁移性， 适合完成小 样本点云 分类工作。 权利要求书2页 说明书6页 附图3页 CN 115546509 A 2022.12.30 CN 115546509 A 1.基于Nystrom与行列式采样的小样本点云分类方法， 其特征在于： 该方法包括以下步 骤： 步骤1、 基于Nyst rom构建相似度核矩阵近似值； 收集n个标签未知的点云样本， 根据两两样本间的相似度， 构建相似度核矩阵M∈Rn×n， 从核矩阵M中提取列子集， 用于推导近似 估计核矩阵： 其中， W∈Rm×m， 表示从核矩阵M中提取的样本点集合的相 似度矩阵， S∈R(n‑m)×m， 表示所 有样本点和非样本点之间的相似度构成的矩阵， B∈R(n‑m)×(n‑m)为非样本点集合的相似度矩 阵； 计算矩阵W和S， 推导出近似 估计核矩阵 步骤2、 行列式点过程采样 对步骤1推导得到的近似 估计核矩阵 进行行列式点过程采样， 得到 子集Y； 步骤3、 划分元训练集 使用Dirichlet过程的中餐馆模型作为先验分布， 对步骤2得到的子集Y进行 聚类， 得到 用于分类模型训练的元训练集； 步骤4、 分类模型训练 构建PointNet++模型， 并向其输入步骤3得到的元训练集； 通过MAML算法对PointNet++ 模型进行训练； 步骤5、 模型微调与点云 分类 向步骤4训练后的PointNet++模型输入标签为分类目标的少量点云样本， 进行模型微 调； 然后将待分类的点云数据输入微调后的Po intNet++模型中， 完成小样本点云 分类。 2.如权利要求1所述基于Nystrom与行列式采样的小样本点云分类方法， 其特征在于： 将两个样本间的二维空间欧几里 得距离其相似度， 构建相似度核矩阵。 3.如权利要求1或2所述基于Nystrom与行列式采样的小样本点云分类方法， 其特征在 于： 在步骤1推导近似 估计核矩阵 时， 从核矩阵M中提取的列子集比例为10％。 4.如权利要求1所述基于Nystrom与行列式采样的小样本点云分类方法， 其特征在于： 对近似估计核矩阵 进行行列式点过程采样的过程 为： s2.1、 将近似估计核矩阵 进行特征值分解为vn和 λn， 其中vn表示特征值， λn表示特征 向量； s2.2、 设置近似估计核矩阵 每一个元素被采样的概率为 采样得到子矩阵|V|， 子 矩阵|V|中的元 素为被采样元 素的特征向量； s2.3、 按照概率 从子矩阵抽取子矩阵|V|中的特征向量， 并将特 征向量对应的元 素放入子集Y中， 完成行列式点过程采样。 5.如权利要求1所述基于Nystrom与行列式采样的小样本点云分类方法， 其特征在于： 使用中餐馆模型进行点云数据聚类的过程为： 将第一个点云样本划分到第一个类别中， 随 后的每一个点云样本以当前聚类类别中的样本数量成正比的概率被划入已有聚类类别中，权　利　要　求　书 1/2 页 2 CN 115546509 A 2或者以一定概率被划入新类别， 随着点云数据的增长自动学习 是否需要新增类别， 并且可 新增类别的数量 为无限， 最终所有点云样本形成若干个点云簇 。 6.如权利要求1所述基于Nystrom与行列式采样的小样本点云分类方法， 其特征在于： 所述MAML算法包括内循环学习和外循环学习， 在内循环学习中使用多任务的参数更新， 然 后在外循环学习中使用这些参数以计算相同任务下查询集的损失函数值， 并利用所有任务 的损失和更新网络参数。权　利　要　求　书 2/2 页 3 CN 115546509 A 3