DeepRoute Lab | 点云分割

最新推荐文章于 2024-07-08 15:18:02 发布
最新推荐文章于 2024-07-08 15:18:02 发布
阅读量475 收藏
点赞数
文章标签： 人工智能 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DeepRoute_Lab/article/details/129142327
版权
点云分割是为每个点赋予语义标签，用于自动驾驶、机器人和AR/VR等领域，可解决去噪和地面检测等问题。文章介绍了点云分割的挑战，如点数过多、稀疏性和无序性，并探讨了几种经典方法，如PointNet和PointNet++，以及针对室外点云的KPConv和RandLA-Net。这些方法在捕捉局部和全局信息方面各有优缺点，其中，RandLA-Net通过随机采样和Local spatial encoding实现了高效处理大规模点云数据。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

​本次将会给大家带来一个简单的关于点云分割的survey分享。首先什么是点云，点云是激光雷达产生的离散数据，具备稀疏性、无序性、尺度不变性等特性。

什么是点云分割，点云分割其实是为了给每个点打上语义标签，整个任务对于自动驾驶、机器人、AR\VR都特别重要，可以用来去噪、地面检测等等。

点云分割的挑战性

1. 点数过多，尤其是对于自动驾驶的场景，整体的点数可能超过10W；

2. 稀疏性，需要设计一系列的算法去应对点云的稀疏性，相比于图像数据，需要设计高效的算法去处理稀疏的点云数据；

3. 无序性。

一个好的点云网络应该能够考虑到这几个特性。

接下来，我会根据点云的表征方式给大家介绍一些经典的点云分割的paper。

首先根据点云的表征方式可以分为point-based，voxel-based， range-view-based，multi-representation based methods。当前基于transformer的方式我们暂时不介绍。

point-based的方法

1.PointNet: De

最低0.47元/天 解锁文章
DeepRoute_Lab
关注
ICCV2021|一种用于解决点云场景中同类对象分割的网络
3D视觉工坊
11-22 1663
首次提出：一种用于解决点云场景中同类对象分割的端到端网络融合协同对比学习和相互注意采样机制进行无监督点云对象的同类分割Unsupervised Point Cloud Object Co-...
成对连接点云分割
08-02 412
点云分割，将点划分成不同对象
点云语义分割网络
ArmyD的博客
09-23 362
点云语义分割网络
详解3D点云分割网络 Cylindrical and Asymmetrical 3D Convolution Networksfor LiDAR Segmentation
10点43的博客
06-24 3609
本文介绍一篇3D点云分割网络：Cylinder3D，论文已收录于 CVPR 2021。 这里重点是理解本文提出的 Cylindrical Partition 和 Asymmetrical 3D Convolution Network。 论文链接为：https://arxiv.org/pdf/2011.10033.pdf 项目链接为：https://github.com/xinge008/Cylinder3D 0. Abstract 1. Introduction & Related Work .
【论文笔记】大规模点云分割网络 RangeNet++ 2019
phy12321的博客
09-09 5390
机构:波恩大学 代码链接: https://github.com/PRBonn/lidar-bonnetal 本文解决的问题是旋转式激光雷达点云数据的语义分割问题，其在进行处理时以原始点云作为输入，不丢弃任何点的信息。 分割精度超越了现有SOTA，且速度快于激光雷达的帧率（10Hz） RangeNet++ RangeNet++ 基于2D-3D投影的分割思路,处理流程大概可以分为4步： 将点云数据转换为range image(距离图像，应该是名称中’range’的由来) 在range image上进行2.
【论文笔记】3D点云分割-PointNet
AI爱好者的博客，分享计算机领域相关知识
07-18 2504
3D点云分割开山之作PointSeg论文笔记及运行示例，快来看看吧。
DeepRoute Lab | DRINet 面向更加高效的点云分割
DeepRoute_Lab的博客
03-08 485
AUTHOR-元戎感知组 时隔半年码字，来介绍一下今年被ICCV2021收录的一篇点云分割的工作DRINet: A Dual-Representation Iterative Learning Network for Point Cloud Segmentation这里同时要感谢一些我的co-author帮助。 Introduction and Motivation 其实idea的成形在第一篇3D目标检测之后就已经存在了，整个文章的思路跟当时的PVCNN挺相似，核心就是要利用不同的表征方式来弥补点..
DeepRoute Lab | AAAI22新工作：基于稀疏跨尺度注意力网络的高效LiDAR全景分割
DeepRoute_Lab的博客
03-08 1916
今天和大家分享工作的是自动驾驶中的点级别的全景分割感知任务。内容主要是解读我们组最新的一篇被AAAI22接收的点云全景分割的工作。
DeepRoute Lab | 【C++性能】CPU Cache Serial 1
DeepRoute_Lab的博客
03-28 1048
C++，作为最晦涩、最难掌握的主流编程语言，一向是容易上手，却很难写好。而这难写好的部分中，除了代码风格等略微抽象的部分，最难也最容易疏忽的部分则是性能了。根据经典的二八原则，通常20%左右的代码消耗了80%左右的性能。然而，用户日常接触到的功能、或者在日常使用的场景下，性能是可以满足的，因此这往往造成程序员的忽视并埋下了隐患。
点云语义分割：解析RandLA-Net
StyVue的博客
09-27 371
然而，处理大规模点云数据的挑战一直存在，因为点云结构复杂，具有不规则性和高维特征。针对这些问题，研究者们提出了许多方法，其中RandLA-Net是最新的一种高效准确的点云语义分割神经网络。具体而言，针对每个点，网络会计算该点与不同尺度特征的相似度，并根据相似度分配不同权重，从而实现多尺度特征的有效融合。总结起来，RandLA-Net通过新颖的采样策略、特征学习模块和多尺度信息融合策略，提供了一种高效准确的点云语义分割解决方案。它在大规模点云数据上具有良好的性能，并能够适应不规则的点云结构。
【点云分割】：基于PointNet实现点云分割
m0_63642362的博客
11-05 3716
基于PointNet实现在ShapeNet中完成点云分割任务
pointnet和pointnet++点云分割和分类
一千零一夜的博客
10-17 2891
（2）论文中n是1024（均匀采样），论文中只用到了(x,y,z)坐标，所以输入是nx3点云矩阵，首先经过mlp(64,64)，即两个多层感知机全连接网络，维度变化3->64->64，输出nx64特征向量；（2）网络输入的是Nx(d+C)矩阵，N是点个数，d维坐标，C维点特征，输出矩阵是N'x(d+C')，其中N'是采样后的点个数，C'是点特征向量维度。（3）分割输出：分割分支输出的是nxm的矩阵scores，有n个点，每个点有m个分数，m个分数对应m个语义分割类别，哪个值大，当前点就属于哪个类别。
点云分类和点云分割
denny_data的博客
03-12 3万+
点云的分类是将点云分类到不同的点云集。 点云分割的主要过程是将原始3D点云分组为非重叠区域。
点云分割和点云分类（点云语义分割）
热门推荐
DayDayUp
09-05 7万+
概念 点云分割（point cloud segmentation） 根据空间、几何和纹理等特征点进行划分，同一划分内的点云拥有相似的特征。 点云分割的目的是分块，从而便于单独处理。 点云分类（point cloud classification) 为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集。同一个点云集具有相似或相同的属性，例如地面、树木、人等。也叫做点云语义分割。 特征提取 单个点或一组点可以根据低级属性检测某种类型的点。 “低级属性”是指没有语义（例如，位置，高.
【点云分割】简述对点云分割（方法）的理解（初学者）
weixin_48845174的博客
03-11 4378
从去年到现在，我（小白）已经接触点云将近半年的时间了，因为上半年大部分时间在上课，所以对点云的认识不足，在此，我以一个小白的身份，向大家叙述一下自己对点云分割的理解，借助一篇综述的论文，论文网址为：https://arxiv.org/abs/1912.12033 首先点云是非常重要的数据类型，但是由于它的不规则性和稀疏性，所以很多学者都研究一些体素或者图像网格作为研究的标准，但是我最近看的文章都是直接以点为输入的，就是这部分的优点就是计算量相对于体素的比较小，但是精度的话可能稍微低一点。 对于研究点云分割
PointNet 点云分割原理分析
Fred's Note
07-08 834
PointNet 核心架构及源码分析
3D点云分割系列2：PointNet++:从PointNet到点云多尺度特征处理
yumaomi的博客
04-03 1744
PointNet++在PointNet的基础上更新了多尺度的特征处理操作。提出了两种set abstraction策略，能够根据不同点云密度智能地聚合多尺度特征，对点云密度的输入具有更强的鲁棒性。
基于PointNet / PointNet++深度学习模型的激光点云语义分割
不要仅为成功而努力，要为做一个有价值的人而努力
06-14 2901
本文记录了PointNet/PointNet++点云语义分割深度学习模型应用于电力档段场景的学习实践过程，同时提交了改进后项目代码文件（项目代码逐行注释解析）
点云分割（point cloud segmentation）任务笔记
goodgoodstudy___的博客
04-20 2314
point cloud segmentation
cesiumLab处理点云数据
最新发布
04-01
### 使用 CesiumLab 进行点云数据处理 CesiumLab 是一款专注于 Cesium 开源数字地球平台的免费数据处理工具集，提供了多种功能模块来支持地理空间数据分析与可视化[^1]。其中，点云数据处理是其核心功能之一。 #### 功能概述 CesiumLab 提供了一套完整的工具链用于点云数据的预处理、优化和服务发布。以下是主要的功能特点： - **点云分类**：通过内置算法对原始点云数据进行分类操作，区分地面点、植被点和其他特征点。 - **坐标系转换**：支持不同投影系统的点云数据转换，便于与其他地理信息系统 (GIS) 数据集成[^2]。 - **LOD 和包围盒生成**：自动计算并生成多细节层次 (Level of Detail, LOD)，从而提升大规模点云数据加载效率；同时创建几何边界框以加速渲染性能[^3]。 - **格式转换**：能够将常见的点云文件格式（如 `.las`, `.laz`）转化为适合 WebGL 渲染引擎使用的三维瓦片标准 `3DTiles`. #### 示例教程 下面是一个简单的流程说明如何利用 CesiumLab 对点云数据执行基本的操作: ##### 步骤一: 导入点云数据 启动应用程序后，在界面左侧导航栏找到 “点云数据处理” 菜单项，并点击上传按钮导入本地存储的一个或多份 LAS/LAZ 文件。 ##### 步骤二: 配置参数选项 调整右侧属性面板中的各项配置项，比如分辨率设定、采样密度控制等。这些设置直接影响最终输出成果的质量和大小。 ##### 步骤三: 执行处理任务 确认无误之后按下运行键等待程序完成全部运算过程。期间可以实时查看进度条更新状态直至结束提示弹窗显示成功消息为止。 ##### 步骤四: 输出结果导出 最后一步是从目标位置获取经过加工后的产物——通常是以目录形式组织起来的一系列子文件夹及其内部包含的内容物，它们共同组成了符合规范要求的标准结构化表达方式以便于后续进一步应用部署或者分享传播给其他相关人员使用。 ```bash # 下载示例命令 wget https://example.com/path/to/samplePointCloud.las -O samplePointCloud.las ``` ```python from cesiumlab import PointCloudProcessor processor = PointCloudProcessor(input_file="samplePointCloud.las", output_dir="./output") processor.set_lod_levels([0.5, 1.0, 2.0]) # 设置LOD级别 processor.generate_bounding_boxes() # 创建包围盒 processor.export_to_3d_tiles() # 将点云转换为3DTiles格式 ``` 以上脚本展示了如何调用 Python API 来自动化上述手动步骤的过程^。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值