(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 202210896098.8 (22)申请日 2022.07.27 (71)申请人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 肖丰　周祥明　黄鹏　吴立　 蔡丹平　张朋　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 柳芳 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/26(2022.01) G06V 10/44(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 图神经网络训练方法、 点云特征提取方法、 设备及介质 (57)摘要 本申请提供了一种图神经网络训练方法、 点 云特征提取方法、 设备及存储介质， 其中， 该图神 经网络应用于点云特征提取， 训练方法包括： 获 取待训练点云， 根据待训练点云构建图结构数 据， 图结构数据包括若干节点， 以及若干节点之 间构成的边； 基于若干聚合函数， 以及每一聚合 函数的权重参数构建待训练图神经网络； 将图结 构数据输入待训练图神经网络， 获取每一聚合函 数的聚合结果， 按照每一聚合函数的权重参数将 每一聚合函数的聚合结果融合， 得到待训练图神 经网络的预测输出； 基于预测输出对每一聚合函 数的权重参数进行训练， 直至得到最终的图神经 网络。 通过上述的方式， 针对不同场景和数据进 行网络模型架构的搜索， 提升图神经网络模型对 场景的解析能力。 权利要求书2页 说明书10页 附图8页 CN 115424223 A 2022.12.02 CN 115424223 A 1.一种图神经网络训练方法， 所述图神经网络应用于点云特征提取， 其特征在于， 所述 图神经网络训练方法包括： 获取待训练点云， 根据所述待训练点云构建图结构数据， 其中所述图结构数据包括若 干节点， 以及所述若干节点之间构成的边； 基于若干聚合 函数， 以及每一聚合 函数的权 重参数构建待训练图神经网络； 将所述图结构数据输入所述待训练图神经网络， 获取每一聚合函数的聚合结果， 并按 照所述每一聚合函数的权重参数将所述每一聚合函数的聚合结果融合， 得到所述待训练图 神经网络的预测输出； 基于所述预测输出对所述每一 聚合函数的权重参数进行训练， 直至得到最终的图神经 网络。 2.根据权利要求1所述的图神经网络训练方法， 其特 征在于， 所述基于所述预测输出对所述每一 聚合函数的权重参数进行训练， 直至得到最终的图 神经网络， 包括： 基于所述预测输出对所述每一 聚合函数的权重参数进行训练， 直至得到最终的权重参 数组合； 基于所述权 重参数组合， 计算每一聚合 函数的影响因子； 将所述影响因子最大的聚合 函数保留， 构成最终的图神经网络 。 3.根据权利要求2所述的图神经网络训练方法， 其特 征在于， 所述待训练图神经网络由多层聚合层构 成， 每层聚合层包含相互并联的所述若干聚合 函数； 所述将所述影响因子最大的聚合 函数保留， 构成最终的图神经网络， 包括： 将所述每层聚合层中影响因子最大的聚合函数保留， 作为该层聚合层的唯一聚合函 数， 由训练后的多层聚合层构成最终的图神经网络 。 4.根据权利要求2或3所述的图神经网络训练方法， 其特 征在于， 所述聚合函数包括以下至少一种： 均值聚合函数、 最大池化聚合函数、 局部图卷积聚合 函数、 注意力聚合 函数、 高维聚合 函数以及链式聚合 函数。 5.根据权利要求1所述的图神经网络训练方法， 其特 征在于， 所述根据所述待训练点云构建图结构数据， 包括： 将所述待训练点云中的所有点， 作为所述图结构数据的节点， 其中， 每个节点包含对应 点的三维坐标信息； 获取两两节点之间的距离， 连接所述距离小于预设阈值的两个节点之间的边； 基于所有节点， 以及已创建的边构建所述图结构数据。 6.根据权利要求1所述的图神经网络训练方法， 其特 征在于， 所述获取待训练点云， 包括： 获取原始点云； 通过预设聚类算法， 将所述原 始点云划分为若干待训练点云； 所述按照所述每一聚合函数的权重参数将所述每一 聚合函数的聚合结果融合， 得到所 述待训练图神经网络的预测输出， 包括： 按照所述每一聚合函数的权重参数将所述每一聚合函数的聚合结果融合， 得到每一待权　利　要　求　书 1/2 页 2 CN 115424223 A 2训练点云的第一预测点云特 征； 将所有待训练点云的第 一预测点云特征进行融合， 得到所述原始点云的第 二预测点云 特征， 作为所述待训练图神经网络的预测输出。 7.根据权利要求6所述的图神经网络训练方法， 其特 征在于， 所述通过预设聚类算法， 将所述原始点云划分为若干待训练点云之后， 所述图神经网 络训练方法还 包括： 从所述若干待训练点云中选择若干起始点， 以及每一待训练点云的重心； 基于每一起始点与 所有待训练点云的重心的距离， 获取所述每一起始点对应的待训练 副点云。 8.根据权利要求7 所述的图神经网络训练方法， 其特 征在于， 所述基于每一起始点与所有待训练点云的重心的距离， 获取所述每一起始点对应的待 训练副点云， 包括： 根据所述每一起始点与所有待训练点云的重心的第 一距离， 获取所述第 一距离最大的 待训练点云中的第一采样点， 并将所述 起始点与所述第一采样点构成采样点 集； 计算所述采样点集与 所有待训练点云的重心的第 二距离， 获取所述第 二距离最大的待 训练点云中的第二采样点， 将所述第二采样点加入所述采样点集， 直至所述采样点集中点 的数量达 到预设数量， 将最终的采样点 集作为所述 起始点对应的待训练副点云。 9.一种点云特 征提取方法， 其特 征在于， 所述 点云特征提取方法包括： 获取待识别点云； 将所述待识别点云输入预先训练的图神经网络， 提取所述待识别点云的目标点云特 征； 其中， 所述图神经网络由权利要求1至8任一项所述的图神经网络训练方法训练得到 。 10.一种终端设备， 其特征在于， 所述终端设备包括处理器、 与所述处理器连接的存储 器， 其中， 所述存储器存储有程序指令； 所述处理器用于执行所述存储器存储的程序指令以实现如权利要求1至8任一项所述 的图神经网络训练方法， 和/或权利要求9所述的点云特 征提取方法。 11.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有程序指令， 所述程序 指令被执行时实现如权利要求 1至8任一项 所述的图神经网络训练方法， 和/或权利要求9所 述的点云特 征提取方法。权　利　要　求　书 2/2 页 3 CN 115424223 A 3