LACV-Net：基于局部自适应与综合 VLAD 的大规模点云场景语义分割
计算机视觉与模式识别
2024-01-22 v1
摘要
大规模点云语义分割是三维计算机视觉中的一项重要任务，广泛应用于自动驾驶、机器人与虚拟现实。当前的大规模点云语义分割方法通常使用下采样操作以提高计算效率并获取多分辨率的点云，但这可能导致局部信息丢失的问题。同时，网络难以在大规模分布上下文中捕获全局信息。为有效捕获局部与全局信息，我们提出了一种称为 LACV-Net 的端到端深度神经网络用于大规模点云语义分割。所提网络包含三个主要组件：1）局部自适应特征增强模块（LAFA），自适应地学习质心与邻域点的相似性以增强局部上下文；2）综合 VLAD 模块（C-VLAD），融合多层、多尺度与多分辨率的局部特征以表示综合的全局描述向量；3）聚合损失函数，通过约束来自 LAFA 模块的自适应权重来有效优化分割边界。在包括 S3DIS、Toronto3D 与 SensatUrban 在内的多个大规模基准数据集上对比当前最优网络，我们证明了所提网络的有效性。
引用
@article{arxiv.2210.05870,
title = {LACV-Net: Semantic Segmentation of Large-Scale Point Cloud Scene via Local Adaptive and Comprehensive VLAD},
author = {Ziyin Zeng and Yongyang Xu and Zhong Xie and Wei Tang and Jie Wan and Weichao Wu},
journal= {arXiv preprint arXiv:2210.05870},
year = {2024}
}