为挖掘特征间的语义关系以及空间分布信息,并通过多特征增强进一步改善点云语义分割的效果,提出一种基于多特征融合的点云场景语义分割网络(MFF-Net)。所提网络以点的三维坐标和改进后的边特征作为输入,首先,利用K-近邻(KNN)算法搜寻点...为挖掘特征间的语义关系以及空间分布信息,并通过多特征增强进一步改善点云语义分割的效果,提出一种基于多特征融合的点云场景语义分割网络(MFF-Net)。所提网络以点的三维坐标和改进后的边特征作为输入,首先,利用K-近邻(KNN)算法搜寻点的近邻点,并在三维坐标和近邻点间坐标差值的基础上计算几何偏移量,从而增强点的局部几何特征表示;其次,将中心点与近邻点间的距离作为权重信息更新边特征,并引入空间注意力机制,获取特征间的语义信息;再次,通过计算近邻特征间的差值,利用均值池化操作进一步提取特征间的空间分布信息;最后,利用注意力池化操作融合三边特征。实验结果表明,所提网络在S3DIS(Stanford 3D large-scale Indoor Spaces)数据集上的平均交并比(mIoU)达到了67.5%,总体准确率(OA)达到了87.2%,相较于PointNet++分别提高10.2和3.4个百分点,可见MFF-Net在大型室内/室外场景均能获得良好的分割效果。展开更多
文摘为挖掘特征间的语义关系以及空间分布信息,并通过多特征增强进一步改善点云语义分割的效果,提出一种基于多特征融合的点云场景语义分割网络(MFF-Net)。所提网络以点的三维坐标和改进后的边特征作为输入,首先,利用K-近邻(KNN)算法搜寻点的近邻点,并在三维坐标和近邻点间坐标差值的基础上计算几何偏移量,从而增强点的局部几何特征表示;其次,将中心点与近邻点间的距离作为权重信息更新边特征,并引入空间注意力机制,获取特征间的语义信息;再次,通过计算近邻特征间的差值,利用均值池化操作进一步提取特征间的空间分布信息;最后,利用注意力池化操作融合三边特征。实验结果表明,所提网络在S3DIS(Stanford 3D large-scale Indoor Spaces)数据集上的平均交并比(mIoU)达到了67.5%,总体准确率(OA)达到了87.2%,相较于PointNet++分别提高10.2和3.4个百分点,可见MFF-Net在大型室内/室外场景均能获得良好的分割效果。