大场景三维点云语义分割模型

大场景三维点云语义分割模型

https://blog.csdn.net/qq_43232556/article/details/106739355?utm_medium=distribute.pc_relevant.none-task-blog-title-4&spm=1001.2101.3001.4242

 

要点整理:

 

2D

按照某种方式投影到二维,利用成熟的2D语义分割网络

  • Sequeeze Seg 系列:投影到2D前视图rang image(球面投影),进行2D卷积(SqueezeNet + CRF)

  • Pointseg: rang image , FCN + 多尺度atrous conv+FPN

  • VIASEG:

  • LU-Net: 球面投影生成range image,  在range image中提取点云局部特征,得到N维特征图像(2D图HxWxN(H高,W宽,N为3D特征的维度也为此时2D图的通道数), 作为U-Net网络输入,对rang image进行分割,分割结果可以可视化在range image 和点云上,分割结果提升很大.

  • RangeNet++:投影到2D,DarkNet53, 后处理问题kNN

 

3D

在三维空间中提取特征信息,也可以融合图像信息进行点云语义分割

去除地面

  • PASS3D:两阶段3D点云语义分割框架. 去除地面+分割.(快速聚类去除地面并获得候选点云簇,然后将点云簇进行坐标变化及数据增强(旋转和翻转),最后训练一个点云分割网络(PointNet++)得到每个点精确的语义标签)

  • Ground-Aware:去除地面.

 

 

多源特征融合策略

  • FuseSeg(2020cvpr):扩展了点云分割网络squezeseg的特征,在激光点云特征中融入RGB特征(与LU-Net方向相反)

  • 3DMV: 将从RGB图像中提取的特征后向投影到3D 体素网格中,使用多视图池化方法处理不同的RGB输入视图。

 

语义和实例联合检测

  • JSIS3D:同时进行点云语义和实例分割。

  • 3D-SIS::同时进行RGBD数据的语义和实例分割。

  • JSNet:backbone+点云特征融合模块(对backbone的不同层次特征进行融合)+联合实例语义分割模块+mean-shift聚类

 

其他

  • SceneEncoder:

  • Learning and Memorizing Representative Prototypes:

 

早些卷积、图卷积方法

  • ECC(坐标点构建图,用边特征生成权重,权重特征维度与点特征维度一致,再与点特征直接元素相乘,最后聚合), DGCNN(点特征构建动态图,聚合MLP的输出得到中心点特征,同时比较了局部特征和全局特征), RSCNN(用距离特征生成权重再与点特征加权)。三者很相似。

 

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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