用于三维点云语义标注的全卷积网络
计算机视觉与模式识别
2020-05-22 v1 机器学习
机器学习
摘要
在对点云进行分类时，大量时间被投入到设计可靠特征集的过程中，随后这些特征被传递给所选的分类器。通常，这些特征——一般由三维协方差矩阵导出——是利用周围邻域的点计算得出的。虽然这些特征捕获了局部信息，但该过程通常耗时较长，并且需要在多个尺度上应用结合上下文方法，以充分描述场景内物体的多样性。在本文中，我们提出了一种一维全卷积网络，该网络直接处理地形归一化点及相应的光谱数据（如果可用），以端到端的方式隐式学习上下文特征，同时生成逐点标注。我们的方法仅使用每个点的三维坐标和三个相应的光谱特征。光谱特征可以从二维地理参考图像中提取（如本文针对激光雷达点云所示），也可以直接从被动生成的点云中提取，即从多视图图像中提取。我们通过将数据划分为方形区域来训练网络，并使用一个尊重输入点置换不变性的池化层。使用 ISPRS 三维语义标注竞赛进行评估，我们的方法以 81.6% 的总体准确率获得第二名。我们以 63.32% 的平均 F1 分数排名第三，超过准确率最高方法的 F1 分数 1.69%。除了对三维点云进行标注外，我们还展示了我们的方法可以轻松扩展到二维语义分割任务，并取得了有前景的初步结果。
引用
@article{arxiv.1710.01408,
title = {A Fully Convolutional Network for Semantic Labeling of 3D Point Clouds},
author = {Mohammed Yousefhussien and David J. Kelbe and Emmett J. Ientilucci and Carl Salvaggio},
journal= {arXiv preprint arXiv:1710.01408},
year = {2020}
}