用于大规模室外点云语义分割的多边级联网络
计算机视觉与模式识别
2024-12-17 v2
摘要
大规模室外点云的语义分割在环境感知和场景理解中具有重要意义。然而，由于现实环境中室外物体的固有复杂性及其多样的分布，这项任务仍然是一个重大的研究挑战。在本研究中，我们提出了多边级联网络（MCNet）来解决这一挑战。该模型包含两个关键组件：多边级联注意力增强（MCAE）模块，通过多边级联操作促进复杂局部特征的学习；以及点跨阶段局部（P-CSP）模块，融合全局和局部特征，从而优化跨多个尺度的有价值特征信息的整合。我们提出的方法在两个广泛认可的基准数据集：Toronto3D 和 SensatUrban 上表现出优于 SOTA 方法的性能。特别是在城市规模的 SensatUrban 数据集上，与基线方法相比，我们的结果在总体 mIoU 上超过了当前最佳结果 2.1%，并在占总样本不到 2% 的小样本物体类别上平均提升了 15.9%。
引用
@article{arxiv.2409.13983,
title = {Multilateral Cascading Network for Semantic Segmentation of Large-Scale Outdoor Point Clouds},
author = {Haoran Gong and Haodong Wang and Di Wang},
journal= {arXiv preprint arXiv:2409.13983},
year = {2024}
}