工厂规划中点云分割的深度神经网络不确定性估计

数字工厂无疑在未来生产系统的效率与有效性方面具有巨大潜力。实现真实工厂数字副本的关键方面之一是基于3D数据理解复杂室内环境。为生成包含主要组件（即建筑部件、产品资产和工艺细节）的精确工厂模型，数字化过程中收集的3D数据可用深度学习的先进方法处理。本工作中，我们提出了用于点云分割的全贝叶斯和近似贝叶斯神经网络。这使我们能够分析这些网络中不同的不确定性估计方式如何改善原始3D点云的分割结果。与频率派模型相比，贝叶斯和近似贝叶斯模型均实现了更优的模型性能。当在预测中纳入网络的不确定性时，这一性能差异变得更加显著。为评估，我们使用了科学数据集S3DIS以及作者在德国汽车生产工厂收集的数据集。本工作提出的方法带来了更精确的分割结果，且不确定性信息的纳入使该方法特别适用于安全关键应用。