结合距离-特征密度的球面插值卷积网络用于点云三维语义分割
计算机视觉与模式识别
2020-11-30 v1
摘要
点云的语义分割是机器人环境感知的重要部分。然而，由于点云的非结构化特性，难以直接采用传统三维卷积核从原始三维点云中提取特征。本文提出一种球面插值卷积算子以替代传统的网格状三维卷积算子。该新提出的特征提取算子提升了网络精度并减少了网络参数量。此外，本文分析了以距离作为插值权重的点云插值方法的缺陷，并提出通过结合距离与特征相关性来自学习距离-特征密度。所提方法使球面插值卷积网络的特征提取更合理有效。在点云三维语义分割任务上验证了所提网络的有效性。实验表明，该方法在ScanNet数据集与Paris-Lille-3D数据集上取得了良好性能。
引用
@article{arxiv.2011.13784,
title = {Spherical Interpolated Convolutional Network with Distance-Feature Density for 3D Semantic Segmentation of Point Clouds},
author = {Guangming Wang and Yehui Yang and Huixin Zhang and Zhe Liu and Hesheng Wang},
journal= {arXiv preprint arXiv:2011.13784},
year = {2020}
}
备注
10 pages, 10 figures, under review