多特征融合与残差优化的点云语义分割方法
目的 当前的大场景3维点云语义分割方法一般是将大规模点云切成点云块再进行处理.然而在实际计算过程中,切割边界的几何特征容易被破坏,使得分割结果呈现明显的边界现象.因此,迫切需要以原始点云作为输入的高效深度学习网络模型,用于点云的语义分割.方法 为了解决该问题,提出基于多特征融合与残差优化的点云语义分割方法.网络通过一个多特征提取模块来提取每个点的几何结构特征以及语义特征,通过对特征的加权获取特征集合.在此基础上,引入注意力机制优化特征集合,构建特征聚合模块,聚合点云中最具辨别力的特征.最后在特征聚合模块中添加残差块,优化网络训练.最终网络的输出是每个点在数据集中各个类别的置信度.结果 本文提出的残差网络模型在S3DIS(Stanford Large-scale 3D Indoor Spaces Dataset)与户外场景点云分割数据集Semantic3D等2个数据集上与当前的主流算法进行了分割精度的对比.在S3DIS数据集中,本文算法在全局准确率以及平均准确率上均取得了较高精度,分别为87.2％,81.7％.在Semantic3D数据集上,本文算法在全局准确率和平均交并比上均取得了较高精度,分别为93.5％,74.0％,比GACNet(graph attention convolution network)分别高1.6％,3.2％.结论 实验结果验证了本文提出的残差优化网络在大规模点云语义分割的应用中,可以缓解深层次特征提取过程中梯度消失和网络过拟合现象并保持良好的分割性能.
计算机视觉、3维点云、大场景、语义分割、多特征融合、残差网络
26
S771(森林工程、林业机械)
国家自然科学基金;国家自然科学基金;福建省教育厅科技项目;福建省教育厅科技项目;福建省教育厅科技项目;厦门市科技计划;厦门市科技计划;厦门市科技计划;厦门市科技计划;厦门市海洋与渔业局科技项目;福建省自然科学基金
2021-06-21（万方平台首次上网日期，不代表论文的发表时间）
共12页
1105-1116
