基于随机采样的大规模点云语义分割学习
计算机视觉与模式识别
2021-07-07 v1 人工智能
机器人学
信号处理
摘要
我们研究大规模三维点云的高效语义分割问题。由于依赖昂贵的采样技术或计算繁重的预处理/后处理步骤，大多数现有方法只能在小规模点云上训练与运行。本文中，我们引入 RandLA-Net，一种高效轻量的神经架构，可直接推断大规模点云的逐点语义。我们方法的关键在于使用随机点采样，而非更复杂的点选择方法。尽管随机采样在算力和内存上极为高效，但可能偶然丢弃关键特征。为克服此问题，我们提出一种新颖的局部特征聚合模块，逐步扩大每个三维点的感受野，从而有效保留几何细节。对比实验表明，我们的 RandLA-Net 单次处理 100 万个点比现有方法快至多 200 倍。此外，在 Semantic3D、SemanticKITTI、Toronto3D、NPM3D 和 S3DIS 等五个大规模点云数据集上的大量实验证明了 RandLA-Net 的业界最优语义分割性能。
引用
@article{arxiv.2107.02389,
title = {Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling},
author = {Qingyong Hu and Bo Yang and Linhai Xie and Stefano Rosa and Yulan Guo and Zhihua Wang and Niki Trigoni and Andrew Markham},
journal= {arXiv preprint arXiv:2107.02389},
year = {2021}
}
备注
IEEE TPAMI 2021. arXiv admin note: substantial text overlap with arXiv:1911.11236