介绍了一种名为 RandLA-Net 的高效轻量级神经架构，在大规模点云中通过使用随机采样和引入新的局部特征聚合模块来实现高效的语义分割。经过实验表明，RandLA-Net 在处理 100 万点的规模时比现有方法快 200 倍以上，并在两个大规模基准数据集 Semantic3D 和 SemanticKITTI 上表现优于现有方法。

Nov, 2019

本研究旨在提出一种减少计算量、以大规模点云直接推断每个点的语意的神经架构，该方法采用随机采样而非较复杂的点选择方法，然后配备一种新的局部特征汇聚模块以生成具有准确语意的结果，演示数据表明我们的方法具有比现有方法高 200 倍的速度和最先进的分类精度。

Jul, 2021

本文从植被分割的角度探讨深度学习模型在城市环境下的应用，评估了四种不同的模型并在三个数据集上进行实验，提供了一些优化植被分割的方案。

Jun, 2023

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

我们专注于城市场景点云的语义分割方法，提出了一种名为 APNet 的网络架构，利用不同上下文信息和网络架构的协同利用，将点云分支和航空影像分支进行几何感知融合，以达到数据融合的最佳性能。实验证明，融合模块的输出始终优于各个网络分支的结果，并且 APNet 在 SensatUrban 数据集上取得了 65.2 的 mIoU 的最新性能。

Sep, 2023

本文介绍了一种用于城市规模高密度航空激光扫描（ALS）点云数据的标注数据集，并将其用于训练卷积神经网络（CNNs）分类城市元素和用于城市规模基于图像的 3D 建模的性能验证。

Sep, 2019

本论文针对 3D 激光雷达点云的道路物体语义分割问题，提出了一种基于 CNN 和 CRF 的端到端方法 SqueezeSeg，通过将经过转换处理的点云作为输入，直接输出一个点输出标签图，并通过 CRF 进行细化，最后通过聚类算法得到实例级别的标签。实验结果表明该方法在自动驾驶应用中具有高准确性、快速稳定的运行，特别是通过使用虚拟仿真数据训练，还能提高在实际应用中的表现。

Oct, 2017

基于 Point Transformers 模型的分类性能在 ModelNet10 数据集上表现良好，并在 fine-tuning 后用于 3D MNIST 数据集分类，在这种情况下，迁移学习模型没有超过基于 3D MNIST 数据集从头开始训练的模型，虽然我们预期迁移学习模型收敛更快，因为它们已经了解了 ModelNet10 数据集中的边缘、角点等低层特征。

Apr, 2024

本文介绍了由移动激光扫描系统在加拿大多伦多获取的大型城市室外点云数据集 Toronto-3D，覆盖约 1 公里的点云，包含大约 7830 万个点，共有 8 个标记的物体类别，通过基准实验进行语义分割，结果表明该数据集可以有效地训练深度学习模型，以此鼓励新的研究并且尽可能更新改进。

Mar, 2020

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