学习几何结构特征的真实点云场景语义分割

TP391.41; 有效获取点云数据在空间上的结构性特征是点云语义分割的关键.针对以往方法没有很好综合利用全局和局部特征问题,提出一种新的空间结构特征——点的盒子特征用于语义分割,设计一种编码-解码结构的网络框架,下采样过程中使用几何结构特征模块学习点云的全局空间特征和局部邻域特征,上采样过程中按分辨率逐级恢复成完整尺寸特征图进行语义分割.其中,几何结构特征模块包含两个子模块,一个是全局特征模块,该模块学习点的"盒子(box)"特征以表现点云在采样空间内概括的粗糙几何特征;另一个是局部特征模块,该模块使用特征提取——注意力机制结构表现点云在局部邻域内精确的细粒度几何特征.在...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 38; no. 2; pp. 336 - 349
Main Authors 李嘉祥, 宣士斌, 刘丽霞, 王款
Format Journal Article
LanguageChinese
Published 广西民族大学人工智能学院,南宁530006%广西民族大学人工智能学院,南宁530006 01.03.2023
广西混杂计算与集成电路设计分析重点实验室,南宁530006
Subjects
人工智能
注意力机制
语义分割
点云
深度学习
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2023.02.010

Cover

More Information
Summary:TP391.41; 有效获取点云数据在空间上的结构性特征是点云语义分割的关键.针对以往方法没有很好综合利用全局和局部特征问题,提出一种新的空间结构特征——点的盒子特征用于语义分割,设计一种编码-解码结构的网络框架,下采样过程中使用几何结构特征模块学习点云的全局空间特征和局部邻域特征,上采样过程中按分辨率逐级恢复成完整尺寸特征图进行语义分割.其中,几何结构特征模块包含两个子模块,一个是全局特征模块,该模块学习点的"盒子(box)"特征以表现点云在采样空间内概括的粗糙几何特征;另一个是局部特征模块,该模块使用特征提取——注意力机制结构表现点云在局部邻域内精确的细粒度几何特征.在公开数据集S3DIS、Semantic3D上进行了实验并与其他方法比较,实验结果表明mIoU均领先目前大部分主流的方法,部分细则类IoU取得最高.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2023.02.010