3D点云分割算法汇总

作者:Tom Hardy
Date:2020-2-19
来源:汇总|3D点云分割算法

前言

最近在arXiv和一些会议上看到了几篇3D点云分割paper,觉得还不错,在这里分享下基本思路。

1、SceneEncoder: Scene-Aware Semantic Segmentation of Point Clouds with A Learnable Scene Descriptor

除了局部特征外,全局信息在语义分割中起着至关重要的作用,而现有的研究往往无法明确地提取出有意义的全局信息并加以充分利用。本文提出了一个场景编码模块来实施场景感知指导,以增强全局信息的效果。该模块预测场景描述符,场景描述符学习表示场景中存在的对象的类别,并通过过滤不属于该场景的类别直接指导点级语义分割。另外,为了减少局部区域的分割噪声,本文设计了一个区域相似性损失来将特征传播到具有相同标签的相邻点上

  • 6
    点赞
  • 45
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
点云分割算法是指将点云数据划分为不同的部分或对象的过程。它在计算机视觉、机器人技术和自动驾驶等领域中具有广泛的应用。以下是点云分割算法的发展历程: 1. 基于几何特征的方法:最早的点云分割算法主要基于点云的几何特征,如点的坐标、法向量等。通过计算点与点之间的距离或角度等几何关系,将点云分割为不同的部分。这些方法简单直观,但对于复杂的场景和噪声较多的数据效果较差。 2. 基于聚类的方法:为了解决几何特征方法的局限性,研究者们开始采用聚类算法进行点云分割。常用的聚类算法包括K-means、DBSCAN等。这些算法通过将相邻的点归为一类,从而实现点云的分割。聚类方法能够处理复杂场景和噪声,但对于密集点云和不规则形状的物体效果较差。 3. 基于深度学习的方法:近年来,深度学习在计算机视觉领域取得了巨大的成功,也为点云分割算法的发展带来了新的机遇。研究者们开始探索使用深度学习模型对点云进行分割。其中,PointNet、PointNet++和PointCNN等是常用的基于深度学习的点云分割算法。这些方法通过学习点云的特征表示和语义信息,实现了更准确和鲁棒的点云分割。 4. 结合几何和深度学习的方法:为了充分利用几何特征和深度学习的优势,研究者们提出了一些结合几何和深度学习的点云分割方法。这些方法既考虑了点云的几何特征,又利用深度学习模型对点云进行语义分割。例如,PointNet++结合了局部特征和全局特征,实现了更好的点云分割效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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