BFANet：通过边界特征分析重访 3D 语义分割
计算机视觉与模式识别
2025-03-18 v1
摘要
3D 语义分割是理解 3D 场景的基本且关键任务。虽然当代最先进技术主要集中在提高基于通用指标（如 mIoU、mAcc 和 oAcc）的 3D 语义分割整体性能上，但它们不幸忽略了对分割棘手区域的探索。本文通过更细粒度的视角重访 3D 语义分割，聚焦于通常被更宽泛性能指标所掩盖的细微复杂性。具体而言，我们将 3D 语义分割错误划分为四个综合类别，并为每个类别设计了相应的评估指标。建立在该分类框架之上，我们引入一种创新的 3D 语义分割网络，称为 BFANet，融合了语义边界特征的详细分析。首先，我们设计边界-语义模块，将点云特征解耦为语义特征和边界特征，并通过注意力机制将其查询队列融合，以增强语义特征。其次，我们引入更简洁且加速的边界伪标签计算算法，其速度是最先进技术的 3.9 倍，兼容数据增强，能够在训练中高效计算。广泛实验表明，我们的 BFANet 模型优于基准，确认了强调这四个专用指标的重要性。代码可在 https://github.com/weiguangzhao/BFANet 获取。
引用
@article{arxiv.2503.12539,
title = {BFANet: Revisiting 3D Semantic Segmentation with Boundary Feature Analysis},
author = {Weiguang Zhao and Rui Zhang and Qiufeng Wang and Guangliang Cheng and Kaizhu Huang},
journal= {arXiv preprint arXiv:2503.12539},
year = {2025}
}