摘要
三维点云语义分割是机器实现环境感知的重要途径。在现有的研究中,基于体素的算法和基于点的算法在面对大规模的点云数据时计算效率低下。而基于距离视图的算法,在对点云进行投影和反投影时会不可避免地造成精度损失。针对上述问题,提出了基于距离视图表示与逐点细化结合的点云语义分割新框架RPNet。充分的实验表明,所提出的方法在三维点云室外场景数据集SemanticKITTI上的平均交并比达到64.2%,推理速度达到58帧/秒,兼顾了高精度和高速度。
3D point cloud semantic segmentation is an important way for machines to achieve environment awareness.In exist⁃ing research,voxel⁃based methods and point⁃based methods are computationally infficient in the face of large⁃scale point cloud data.And range⁃based methods inevitably cause accuracy loss when projecting and back projecting point clouds.To solve the above problems,this paper proposed RPNet,a noval 3D point cloud semantic segmentation framework based on range view repre⁃sentation and point⁃wise refinement.Sufficient experiments show that the proposed method achieves a mIoU of 64.2%and an infer⁃ence speed of 58 frames per second on the 3D point cloud outdoor scene dataset SemanticKITTI,balacing high accuracy and speed.
作者
陈晗
何鸿添
雷印杰
Chen Han;He Hongtian;Lei Yinjie(College of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China)
出处
《现代计算机》
2024年第4期16-22,共7页
Modern Computer
基金
国家自然科学基金面上项目(62276176)。
关键词
语义分割
三维点云
距离视图
逐点细化
semantic segmentation
3D point cloud
range view
point⁃wise refinement
作者简介
陈晗(1998-),男,湖南常德人,硕士研究生,研究方向为计算机视觉;何鸿添(1997-),男,广东佛山人,硕士研究生,研究方向为计算机视觉;通信作者:雷印杰(1983-),男,四川成都人,教授,博导,博士,研究方向为人工智能与计算机视觉,E⁃mail:yinjie@scu.edu.cn。
