探索点云三维语义分割的空间上下文
本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法,将点云数据投影到 2D 平面,避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制,并在 Semantic3D 数据集上达到了相对增益 7.9%的最新最佳结果。
May, 2017
本文介绍了一种深度学习架构,用于解决非结构化点云的三维语义分割问题。与以往的工作相比,我们引入了点群聚合技术,定义了初始世界空间和学习特征空间中的点邻域,并结合专用损失函数,进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务,并在室内和室外数据集上报告了最新性能。
Oct, 2018
本文提出 PointNet 网络,通过直接消耗点云数据并尊重其排列不变性,实现了一个统一的架构,可用于物体分类、局部分割和场景语义解析等多种应用,并在理论和实验方面都有较好表现。
Dec, 2016
针对 3D 点云的分割问题,我们提出了一种新的点云分割框架,该框架能有效地优化整个场景的像素级特征,几何结构和全局上下文先验。实验结果表明,该方法优于现有的一些最先进的方法,并探讨了在三维重建场景中合成相机姿态以获得更高的性能。
Aug, 2019
该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用,并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。
Jun, 2024
本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法,该方法直接分析经过地形归一化后的点,并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征,且在多个方面上比传统方法表现更优越,其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率,F1 分数比最高准确率方法高 1.69%。此外,本文还展示了该方法可轻松扩展到 2D 语义分割任务。
Oct, 2017
该研究提出了一种基于深度学习的新框架,用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术,取得了室内和户外 LiDAR 扫描分割方面的新成果。
Nov, 2017
本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络,其中核心是点卷积,这是一种可以在点云的每个点上应用的新型卷积算子,并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017
本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中,以便于利用传统的 2D 卷积神经网络进行分割,通过引入具有拓扑结构保持特性的图形处理方法,并使用分层逼近算法,结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割,取得了 ShapeNet 和 PartNet 的最新成果。
Mar, 2020