小而强大：以 U-Next 框架增强三维点云语义分割
计算机视觉与模式识别
2024-12-24 v1
摘要
我们研究大规模三维点云语义分割问题。近年来，大量研究工作集中于局部特征聚合、改进损失函数与采样策略。然而点云语义分割的基础框架在很大程度上被忽视，多数现有方法默认依赖 U-Net 架构。本文中，我们提出 U-Next，一个专为点云语义分割设计的小而强大的框架。该框架的关键在于从语义相似的特征图中学习多尺度层次化表示。具体而言，我们以嵌套且密集排布的方式堆叠多个 U-Net 编解码器来构建 U-Next，以最小化语义鸿沟，同时跨尺度融合特征图以有效恢复细粒度细节。我们还设计了一种多级深度监督机制，以进一步平滑梯度传播并促进网络优化。在 S3DIS、Toronto3D 与 SensatUrban 三个大规模基准上的大量实验证明了所提 U-Next 架构的优越性与有效性。我们的 U-Next 架构在不同任务与基线模型上展现出一致且可见的性能提升，表明其作为未来研究通用框架的巨大潜力。
引用
@article{arxiv.2304.00749,
title = {Small but Mighty: Enhancing 3D Point Clouds Semantic Segmentation with U-Next Framework},
author = {Ziyin Zeng and Qingyong Hu and Zhong Xie and Jian Zhou and Yongyang Xu},
journal= {arXiv preprint arXiv:2304.00749},
year = {2024}
}