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

本研究提出了一种新的LIDAR语义分割方法，称为3D-MiniNet，该方法结合了3D和2D学习层。该方法利用投影学习模块提取3D数据的局部和全局信息，并通过后处理模块将2D语义标签重新投影到3D空间中，在SemanticKITTI和KITTI公共基准测试中表现出比以前的方法更快、更节约参数的优势，并得到了最先进的结果。

Feb, 2020

本文提出了S3CNet，一种基于稀疏卷积的神经网络，从统一的LiDAR点云中预测语义完成场景，并在3D任务上取得了最先进的结果

Dec, 2020

本文提出了一种基于点到体素知识蒸馏的方法，通过将隐藏层的知识从点级别和体素级别进行转移，采用困难感知的采样策略和点-体素相似度蒸馏，提高了LiDAR语义分割任务中教师模型向学生模型的知识压缩效果，同时在两个流行的基准数据集上实现了优于现有方法的精度和速度。

Jun, 2022

本文提出了一种基于稀疏深度可分离卷积模块的新型管道，该管道通过减少网络参数数量并保留整体任务性能，需要更少的地面真实注释来实现优越的分割准确性，并提出了一个新的用于处理 3D LiDAR 点云数据的样本下采样方法，与现有方法相比具有更好的性能，同时在有限的训练数据上也表现出显着的性能提高。

Mar, 2023

该论文设计了第一个实验环境，研究激光雷达语义分割的域泛化问题。通过提出一种具有传输学习功能的网络模型，有效地减少了领域之间的差距，从而解决了同领域分割方法不能满足跨领域泛化问题的难题。

Apr, 2023

通过语义和几何样本混合，该研究介绍了一种基于点云的无监督领域自适应技术，并采用合成到真实和真实到真实的情境，利用LiDAR数据集验证其在无监督和半监督设置中明显优于现有方法的性能。

Aug, 2023

本研究提出了一种基于图像与点云的混合特征增强方法，通过利用SAM模型在三维领域中的普适性能力，解决了未标注域适应中的领域差异问题，并在三维分割任务中取得了最新的研究进展。

Oct, 2023

在LiDAR语义分割领域，本文提出了一种通用而高效的主动学习基准模型Annotator，通过定制化的基于体素的在线选择策略，在每个LiDAR扫描中高效地探测和标注显著和典型的体素格点，即使在分布转移下。Annotator在主动学习、无源域自适应以及域自适应领域表现出色，在LiDAR语义分割基准测试中始终保持出色性能，包括从仿真到真实以及真实到真实的各种情境。令人惊讶的是，Annotator高度高效，只需每个扫描标注五个体素格点，在SynLiDAR-to-SemanticKITTI任务中实现了令人印象深刻的性能，分别在主动学习、无源域自适应以及域自适应下达到了87.8%、88.5%和94.4%。我们预计Annotator将为标签高效的三维应用提供一种简单、通用且高效的解决方案。

Oct, 2023

本研究解决了由于环境和传感器设置变化导致的无监督领域适应（UDA）问题。创新性地结合了仅依赖LiDAR的跨模态学习与对抗训练，展示了3D LiDAR点云的两种不同数据表示方式能够相互学习以实现UDA。实验表明，该方法在3个真实场景下比现有的单模态和多模态UDA方法取得了新的最优性能。

Oct, 2024