RandLA-Net：大规模点云的高效语义分割
计算机视觉与模式识别
2020-05-05 v3 机器学习
图像与视频处理
摘要
我们研究大规模 3D 点云的高效语义分割问题。通过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和运行。本文中，我们提出 RandLA-Net，一种高效且轻量的神经架构，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。尽管随机采样在计算和内存上极为高效，但可能偶然丢弃关键特征。为克服这一点，我们引入一种新颖的局部特征聚合模块，逐步增大每个 3D 点的感受野，从而有效保留几何细节。大量实验表明，我们的 RandLA-Net 可单次处理 100 万个点，比现有方法快至多 200 倍。此外，在 Semantic3D 和 SemanticKITTI 两个大规模基准上，我们的 RandLA-Net 明显超越最先进的语义分割方法。
引用
@article{arxiv.1911.11236,
title = {RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds},
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:1911.11236},
year = {2020}
}
备注
CVPR 2020 Oral. Code and data are available at: https://github.com/QingyongHu/RandLA-Net