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

本文针对 LiDAR 点云分割中前处理存在的问题，提出了新的卷积方法 Spatially-Adaptive Convolution，并通过 SqueezeSegV3 核SemanticKITTI数据集的实验表明，相较于之前提出的算法在语义分割的性能上有了更好的提升。

Apr, 2020

本文提出了一种基于Cylinder3D的3D点云语义分割方法，利用3D拓扑和结构信息，采用3D表征和网络模型，并引入基于尺度分解的上下文建模模块，实现对汽车驾驶场景的LiDAR数据进行高效准确的分割。

Aug, 2020

这篇论文提出了一种基于多视角融合的 3D 点云语义分割方法，通过对球面和鸟瞰图进行高效的二维卷积神经网络分割，结合两个视角的分割结果，有效缓解了单个视角方法中存在的信息损失问题，既能提高准确率又能保证速度，在 SemanticKITTI 数据集上实现了高准确率（mIoU为 55.5），同时比目前最先进的基于投影的方法 RangeNet++ 和 PolarNet 分别快1.6倍和3.1倍。

Nov, 2020

该论文提出了一种新的框架，使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式，并引入点智能精炼模块以减轻损失体素标签编码的干扰；测试表明，该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法，排名第一并且较现有方法提高了约 4％。

Nov, 2020

本文提出了Dynamic Shifting Network(DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在SemanticKITTI和nuScenes数据集上取得了优秀的性能表现。

Nov, 2020

本文提出了一种基于学习的语义分割框架，其利用上下文形状先验知识，在LiDAR点云序列的帮助下将单个点云序列完成从稀疏的单扫描点云到密集的点云的语义分割任务，并在SemanticKITTI和SemanticPOSS数据集上取得了显著的性能提升。

Dec, 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