联合边界感知和多特征融合的点云语义分割方法

针对当前大多数基于深度学习的点云语义分割方法容易忽略过渡区域的目标边界,造成边界处存在模糊特征的问题,提出了一种联合边界感知和多特征融合(boundary-aware and multi-feature fusion, BA-MFF)的点云语义分割方法。首先,对骨干网络进行优化,使得提取到的特征更具有鲁棒性;其次,设计了边界感知模块(boundary-aware module, BAM)关注过渡区域的目标边界,该模块包含边界点预测模块(boundary point prediction module, BPPM)和特征聚合模块(feature aggregation module, FAM);边界点预测模块通过学习邻域点特征预测出属于边界上的点,特征聚合模块在邻域内对点云特征进行判别聚合;最后,为获得更有鉴别性的特征,引入了多特征融合模块(multi-feature fusion module, MFFM)对不同通道之间的特征进行了融合。实验结果表明:该方法在ScanNetV2数据集上平均交并比(mean intersection over union, mIoU)达到63.7%,在S3DIS数据集上总体精度(overall accuracy, OA)和mIoU分别为88.2%和62.3%。该方法有效关注了过渡区域,具有一定的分割优越性。

全监督学习的图像语义分割方法研究进展

近年来,随着深度学习进入计算机视觉领域,各种深度学习图像语义分割方法相继出现,其中全监督学习方法的分割效果显著超过弱监督学习方法。将全监督学习的图像语义分割方法分为五类,并对各类中最具有代表性的方法进行详细分析,重点阐述各种方法核心部分的实现过程。对语义分割领域中的主流数据集进行归纳总结,介绍了性能算法指标,并在主流数据集上对各种代表性方法的效果进行对比,最后对语义分割的未来进行展望。

基于多尺度注意力机制的实时激光雷达点云语义的分割

为既能提高分割精度,又能克服车载计算资源局限,提出一种面向移动机器人平台的车载实时点云语义分割方法,并进行了综合实验。该方法采用基于投影的激光雷达语义分割方法,将三维点云投影到球面图像,并结合二维卷积进行分割。引入多头注意力机制(MHSA),实现轻量级语义分割模型,以一种全新的方式,将一种深度学习模型架构Transformer映射到卷积。将Transformer的MHSA迁移至卷积,以形成多尺度自注意力机制(MSSA)。结果表明:与当前主流方法CENet、FIDNet、PolarNet相比,本方法在NVIDIA JETSON AGX Xavier计算平台上保持了较高的分割精度(平均交并比为63.9%)及较高的检测速率(41帧/s),从而证明了其对移动机器人平台的适用性。