基于递归切片网络的三维点云语义分割与实例分割
目的 针对三维点云语义与实例分割特征点提取精度不高、实例分割精度极度依赖语义分割的性能、在密集场景或小单元分割目标中出现语义类别错分以及实例边缘模糊等问题,提出了基于递归切片网络的三维点云语义分割与实例分割网络.方法 网络对输入点云进行切片,并将无序点云映射到有序序列上;利用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)得到带有局部特征和全局特征的编码特征矩阵;将编码特征矩阵解码为两个并行分支,进行多尺度的特征融合;对语义与实例特征进行融合,得到并行的语义与实例分割网络.结果 在斯坦福大尺度3D室内场景数据集(Stanford large-scale 3D indoor spaces dataset,S3DIS)以及ShapeNet数据集上,与目前最新点云分割方法进行实验对比.实验结果表明,在S3DIS数据集上,本文算法的语义分割的平均交并比指标为73％,较动态核卷积方法(position adaptive convolution,PAConv)提高7.4％,并且在13个类别中的8个类别取得最好成绩;实例分割中平均实例覆盖率指标为67.7％.在ShapeNet数据集上,语义分割的平均交并比为89.2％,较PAConv算法提高4.6％,较快速、鲁棒的点云语义与实例分割方法(fast and robust joint semantic-instance segmentation,3DCFS)提高1.6％.结论 本文提出的语义与实例分割融合网络,综合了语义分割与实例分割的优点,有效提高语义分割与实例分割精度.
三维点云、语义分割、实例分割、递归切片网络(RSNet)、语义特征、实例特征、特征融合
28
TP183(自动化基础理论)
国家自然科学基金;国家自然科学基金;国家自然科学基金;辽宁省自然科学基金
2023-08-17（万方平台首次上网日期，不代表论文的发表时间）
共16页
2135-2150
