基于原型融合的小样本点云语义分割算法

针对点云分割任务中标记样本不足的问题,提出一种基于原型融合的小样本点云语义分割算法。在骨干网络中,引入自适应权重用于捕获中心和相邻点之间的局部信息,选择性获取邻域特征;利用原型融合方法双向提取支持集和查询集的原型,对其进行融合、筛选获得融合后的原型用以分割。实验结果表明,与原型网络相比,该方法在数据集S3DIS和ScanNet上都表现出良好性能,验证了该方法具有良好的泛化能力。

改进PU-GAN的点云上采样网络

针对点云分类问题,提出一种改进点云上采样网络,从低密度点云生成密集点云,提高点云分类准确率。针对点云上采样网络PU-GAN细节表示能力不足的问题,在生成器网络中引入Transformer模块,整合提取的特征信息;在特征扩张模块加入门控循环单元和分层上采样单元,重构细粒度特征;以PU-GAN数据集进行训练,构建闽南古建筑数据集作为测试。实验结果表明,改进后网络的上采样效果获得了提升,具有良好的鲁棒性。通过对ModelNet40数据集进行上采样,在PointNet上进行分类实验,验证了该网络对分类准确率的提升。

三维点云语义分割方法综述

近年来,随着3D扫描设备的升级换代,点云数据的获取愈发便捷。相较于图像,点云数据包含更为丰富的空间信息和几何信息,但由于点云数据具有无序性和非结构化特征,导致点云语义分割方法发展受限。针对以上问题,分别从传统方法和基于深度学习的方法对点云语义分割算法进行总结与介绍。