基于深度信息的范围图像点云分割模型
计算机视觉与模式识别
2025-03-20 v1
摘要
点云分割 (PCS) 的目标是将点分为不同的有意义的组别。这在机器人领域具有重要作用，因为 PCS 使机器人能够直接理解其物理环境。为处理实时稀疏大规模户外点云，常采用基于范围图像的模型。然而，在范围图像中，缺乏显式深度信息不可避免地导致 3D 空间中某些独立物体相互接触，这给基于范围图像的模型在正确分割物体方面带来了困难。此外，先前的 PCS 模型通常源自现有的彩色图像模型，无法充分利用范围图像中固有的有序深度信息，从而实现性能不佳。本文提出深度感知模块 (DAM) 和 Fast FMVNet V3。DAM 通过显式建模通道之间的相互依赖性来感知范围图像中的有序深度信息。Fast FMVNet V3 将 DAM 集成到每个架构阶段的最后一个块中。在 SemanticKITTI、nuScenes 和 SemanticPOSS 上进行的广泛实验表明，DAM 对 Fast FMVNet V3 带来显著的性能提升，计算成本几乎可以忽略不计。
关键词
引用
@article{arxiv.2503.14955,
title = {Depth-Aware Range Image-Based Model for Point Cloud Segmentation},
author = {Bike Chen and Antti Tikanmäki and Juha Röning},
journal= {arXiv preprint arXiv:2503.14955},
year = {2025}
}
备注
No Comments