-
题名集双向标准化和稀疏自注意力的点云分割
- 1
-
-
作者
张蕊
武益超
黄官龙
金玮
-
机构
华北水利水电大学信息工程学院
-
出处
《计算机工程与应用》
北大核心
2025年第15期189-198,共10页
-
基金
国家自然科学基金面上项目(42371466)
河南省2024年度留学人员科研择优资助项目(豫人社办[2024]4号)。
-
文摘
随着激光雷达点云在智慧城市规划、自动导航与驾驶、同步定位与高精度制图等领域的广泛应用,点云特征提取作为场景感知与解译的基础而备受关注。然而激光雷达点云存在稀疏、无序、非结构等特性以及点云地物目标之间存在遮挡、远稀近密等问题,使得点云特征提取面临严峻挑战。当前深度学习模型在捕获点云几何信息时,难以有效提取海量非结构化数据的细粒度特征;在捕获语义信息时,稀疏数据环境下对局部空间关系的建模准确度不高。针对以上局限性,构建了一种全新的点云语义分割模型PointDTNet,该模型为解决特征编码阶段分组采样点不规则问题,设计出一种点云双向标准化模块,通过点标准化和逆向点标准化操作,以自适应地方式优化分组点和采样点的密度分布,有效阻止了不规则数据特征的传递。为增强模型对空间关系的建模能力,设计了一种作用于点云局部邻域的Transformer稀疏自注意力模块,该模块为平衡计算效率与模型复杂度,仅允许每个点与其邻域内的点进行交互,并通过位置嵌入的方式对局部邻域内点的相对位置进行编码,以自适应地分配每个点的特征权重。实验结果表明,PointDTNet模型在点云语义分割任务中取得了显著效果,其在S3DIS数据集“Area 5”上的OA、mAcc、mIoU分别达到84.68%、65.11%、54.98%;在相同实验条件下,与基模型PointNet++相比OA、mAcc、mIoU分别提高了1.23、7.72、2.07个百分点。
-
关键词
激光雷达点云
语义分割
双向标准化
稀疏自注意力
多特征融合
-
Keywords
LiDAR point cloud
semantic segmentation
dual normalization
sparse self-attention
multi-feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
