面向遥感场景点云语义分割的双变形点卷积
计算机视觉与模式识别
2024-08-06 v2
摘要
由于深度学习技术在遥感领域点云处理中的应用，点云分割近年来成为研究热点，可应用于真实世界三维、智慧城市等领域。尽管现有解决方案取得了前所未有的进展，但它们忽略了遥感领域点云按照纬度、经度和高度严格排列的固有特性，这为遥感领域点云的分割带来了极大便利。为了巧妙考虑这一特性，我们提出了新颖的卷积算子，称为双变形点卷积（TDConvs），旨在通过分别在经纬度平面和高度方向学习可变形采样点来实现自适应特征学习。首先，为了建模经纬度平面的特征，我们提出了柱面变形点卷积（CyDConv）算子，通过在经纬度方向构建类似圆柱的网格来生成二维柱面图。此外，为了更好地融合经纬度平面的特征和空间几何特征，我们对提取的经纬度特征和空间几何特征进行多尺度融合，并通过不同尺度相邻点特征的聚合来实现。另外，引入了球面变形点卷积（SpDConv）算子，通过构建球面网格结构自适应地偏移三维空间中的采样点，旨在建模高度方向的特征。在现有流行基准上的实验表明，我们的TDConvs取得了最佳分割性能，超越了现有的最先进方法。
引用
@article{arxiv.2405.19735,
title = {Twin Deformable Point Convolutions for Point Cloud Semantic Segmentation in Remote Sensing Scenes},
author = {Yong-Qiang Mao and Hanbo Bi and Xuexue Li and Kaiqiang Chen and Zhirui Wang and Xian Sun and Kun Fu},
journal= {arXiv preprint arXiv:2405.19735},
year = {2024}
}