-
题名基于均值漂移与深度学习融合的小语义点云语义分割
- 1
-
-
作者
朱泓淼
钟国杰
张严辞
-
机构
四川大学计算机学院
四川大学视觉合成图形图像技术国家级重点实验室
-
出处
《图学学报》
北大核心
2025年第5期998-1009,共12页
-
文摘
在点云语义分割领域,准确分割小语义对象一直是一个重要且具有挑战性的问题。点云数据通常具有稀疏性和不规则性,尤其是在面对小物体或远距离物体时,现有的全监督点云分割算法往往无法有效地捕捉这些小语义对象的特征,导致分割精度较低。这种问题在自动驾驶、机器人导航和城市建模等应用中尤为突出,因为这些任务通常依赖于对小物体的准确识别与定位。为解决此问题,提出了一种基于均值漂移与深度学习融合的小语义点云分割算法。分析了现有点云分割算法在处理小语义对象时的不足,重点阐述了由于小物体的稀疏性和局部特征弱,现有方法往往未能有效提取其语义信息。为此,将均值漂移引入深度神经网络中,作为一种特征提取模块,以提高对小语义对象的关注度。在网络架构设计上,还特别设计了特征处理模块和小语义对象邻域捕获模块。特征处理模块有效地增强了小物体的局部特征,帮助网络在复杂背景中更好地区分小物体与大物体;而小语义对象邻域捕获模块则进一步聚焦于小物体周围的上下文信息,使得模型能够在局部区域内捕捉到更精确的语义特征。通过在多个点云数据集上的实验评估表明,在分割小语义对象上,尤其在稀疏、小物体密集场景下,改进后的方法有效地提高了分割精度。综上所述,基于均值漂移与深度学习融合的小语义点云分割算法为小语义对象的准确分割提供了一种有效的解决方案,具有广泛的应用前景和实际意义。
-
关键词
点云处理
语义分割
均值漂移
深度学习
小语义对象特征
-
Keywords
point cloud processing
semantic segmentation
mean shift
deep learning
small semantic object features
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
