基于CSegNet的三维点云室内语义分割研究

人工智能的发展程度取决于机器对环境的感知能力,即机器对场景理解的能力,这就离不开其中的核心技术—三维点云语义分割,虽然基于深度学习的三维点云语义分割网络层出不穷,但都存在局部特征利用不充分的问题,导致分割效果不佳。本文针对这个问题,受PointNet++和TSegNet的启发,设计了具有双层结构的CSegNet模型。首先,编码部分使用逐点卷积来取代PointNet层捕捉点云的局部特征;其次,解码部分使用PointDeconv层恢复原始点云结构;最后加入边缘卷积来更有效的提取局部特征,并解决边界不平滑问题。在S3DIS数据集上验证表明,CSegNet能更好的利用局部特征来进行分割,最终得到oAcc为88.7%,mIoU为73.7%的分割准确性。

DGPoint:用于三维点云语义分割的动态图卷积网络

三维点云语义分割在三维场景理解和重建、自动驾驶和机器人导航等领域发挥着重要作用。针对现有方法对点云的局部特征提取不足导致分割精度不高这一问题,基于PointNet++架构提出了一个动态图卷积网络DGPoint。首先,边缘卷积的特征聚合函数使用双通道池化操作来补偿信息丢失,可以更好地保留点云的细粒度局部特征;其次,在进行边缘卷积之前使用K近邻算法确定新的局部区域以达到动态图更新的效果;此外,为了保证边缘提取准确,将设计的编码器重复多次,并将提取的特征以跳跃连接的方式连接起来输入到解码器中。在S3DIS数据集上的实验结果表明,与其他方法相比,DGPoint有效解决了局部特征提取不足的缺点,并提高了语义分割的准确性:在S3DIS数据集的平均交并比为68.3%,总体准确度为86.2%。