AAAIMar, 2021

探究三维点云语义分割中的不可区分点

PDF
TL;DR本研究提出一种名为 IAF-Net 的网络，利用分层语义特征自适应选择难以区分的点并加强精细特征，以解决大规模 3D 点云语义分割中的难点，并引入多阶段损失和新型评价指标 IPBM 来改善特征表示和进行分割性能分析。结果表明，IAF-Net 在几个热门 3D 点云数据集上取得了与最先进性能相当的结果，并在 IPBM 上明显优于其他方法。
semantic segmentation3d point cloudsindistinguishable area focalization networkfeature representationevaluation metric
发现论文，激发创造
  • 了解邻居在做什么：点云的三维语义分割

    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

  • 不是所有点都相同：学习针对 3D LiDAR 点云的高效点检测器

    本文提出了一种高效的基于点云的 3D 检测器 IA-SSD，利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点，进一步估计精确的实例中心，并采用仅编码器架构实现。大规模检测基准测试表明，该模型具有卓越的速度性能，能够以 80 个以上的速度在 KITTI 数据集上进行实时检测。

    Mar, 2022

  • 通过传递几何基元实现零样本点云分割

    本文介绍了一种用于零样本点云语义分割的新型框架，该框架利用了几何基元以在训练期间进行类别之间的知识转移，并使用未知感知信息熵来校准视觉与语义表示。通过大量实验，该方法在 S3DIS、ScanNet 和 SemanticKITTI 数据集上的 hIoU 指标得到了显著提升。

    Oct, 2022

  • 探索点云三维语义分割的空间上下文

    本文探讨了如何扩展 PointNet 架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略，该方法在室内和室外数据集上均取得了较好的结果。

    Feb, 2018

  • 用于三维点云语义标记的全卷积网络

    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

  • PointFlow：通过点流动实现航空图像分割中的语义

    提出了一种基于点亲和力传播模块 PointFlow 的航空图像分割方法，该方法相对于最新的密集亲和力上下文建模方法更加高效和精确，通过选择相邻特征之间的点生成稀疏亲和力映射降低了背景产生的噪音，该方法在三个不同的航空分割数据集上表现出比最先进的一般语义分割方法更有效和高效的结果。

    Mar, 2021

  • 重新思考基于三维点云的实例分割任务及度量

    本文提出了一种新的方法来解决在 3D 点云上进行实例分割时可能出现的计算量过大、类别识别性能不佳等问题，其中本文重要的贡献是提出了一种独立于输入类别和大小的度量标准，通过该标准，新方法在现有研究中表现出最好的性能。

    Sep, 2019

  • 通过双边增强和自适应融合进行真实点云场景的语义分割

    该研究关注于针对实际采集的大规模点云数据进行语义分割，并提出了一种自适应融合方法在点水平上进行准确的分割。

    Mar, 2021

  • 通过自注意力和多尺度改进室内点云语义和实例分割的 JSMNet

    室内 3D 点云数据的语义理解对于室内服务机器人、导航系统和数字孪生工程等一系列后续应用非常重要。我们提出了一种名为 JSMNet 的方法，它结合了多层网络和全局特征自注意力模块，共同分割三维点云的语义和实例。通过设计了一个多分辨率特征自适应融合模块，以考虑由于传感器距目标的距离不同而导致的点云密度差异，更好地表达了室内目标的特性。此外，我们提出了一种联合语义和实例分割的框架，通过整合语义和实例特征实现更优的结果。我们在 S3DIS 上进行了实验证明，我们的方法与其他方法进行了比较，结果显示在语义和实例分割以及目标局部区域分割方面，我们的方法优于现有方法。具体而言，在 S3DIS（Area 5）的语义分割 mIoU 方面，我们的方法在 PointNet (Qi et al., 2017a) 上表现优异，提高了 16.0%，在实例分割 mPre 方面提高了 26.3%。此外，在语义分割 mIoU 方面，我们的方法超过了 ASIS (Wang et al., 2019) 6.0% 和 JPSPNet (Chen et al., 2022) 3.3%，在实例分割 mPre 方面略微提高了 0.3%。

    Sep, 2023

  • 半监督点云语义分割的引导点对比学习

    本文介绍了一种半监督点云语义分割方法，使用伪标签指导其损失函数，并提出了一种基于对比损失的方法来增强特征表示和模型的泛化能力。实验证明，该方法在三个数据集上都可以有效地提高预测质量。

    Oct, 2021