面向高密度变化的 3D 点云语义分割
计算机视觉与模式识别
2023-07-06 v1
摘要
用于测绘应用的激光雷达扫描在广阔区域和长距离上获取测量数据，从而产生具有显著局部密度变化的大规模 3D 点云。尽管现有的 3D 语义分割模型通过下采样和上采样来构建对变化点密度的鲁棒性，但在测绘应用点云所特有的巨大局部密度变化下，它们效果欠佳。为缓解这一弱点，我们提出一种称为 HDVNet 的新颖架构，其包含一组嵌套的编码器-解码器路径，每条路径处理特定的点密度范围。限制特征图之间的互联使 HDVNet 能够基于点的密度评估各特征的可靠性，例如，对低密度物体中不存在的高密度特征进行降权。通过有效处理输入密度变化，HDVNet 在以略多于一半的参数量下，于密度不一致的真实点云分割精度上优于最先进模型。
引用
@article{arxiv.2307.01489,
title = {Semantic Segmentation on 3D Point Clouds with High Density Variations},
author = {Ryan Faulkner and Luke Haub and Simon Ratcliffe and Ian Reid and Tat-Jun Chin},
journal= {arXiv preprint arXiv:2307.01489},
year = {2023}
}