点云PCL免费知识星球,点云论文速读。
标题:RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
作者:Hu, Qingyong,Yang, Bo,Xie, Linhai,Rosa, Stefano,Guo, Yulan,Wang, Zhihua
来源:CVPR2020 牛津大学、中山大学、国防科技大学
翻译:吉祥街
欢迎各位加入免费知识星球,获取PDF论文,欢迎转发朋友圈分享快乐。
论文阅读模块将分享点云处理,SLAM,三维视觉,高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享,欢迎各位加入我,我们一起每天一篇文章阅读,开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。
贡献
验证了随机采样在大规模场景点云处理上能够有效的节省时间。
提出了一个有效的基于注意力机制的局部特征聚合模块LAF(Local Feature Attention),通过逐步增加每个点的感受野来保持复杂的局部结构。
表现sota
特点
端到端训练,不需要额外的预处理和后处理步骤。
直接对点进行操作
实时性增快200x
RandLA-Net
点采样方法
任务描述:从具有N个点的大规模点云P中采样K个点。
启发式采样
基于学习的采样
LFA(Local Feature Attention):局部特征聚合模块
目的描述:弥补随机采样会造成某些关键特征丢失,提出了一个有效的基于注意力机制的局部特征聚合模块。
局部特征聚合模块由三个神经单元组成:
LocSE(Local Spatial Encoding):局部空间编码模块
Attentive Pooling:注意力池化
Dilated Residual Block:扩张残差块
LocSE(Local Spatial Encoding):局部空间编码模块
对输入的点云的三维坐标进行编码。
Attentive Pooling:注意力池化
采用注意力池化,将上层输入的局部邻域点集特征进行聚合。
Dilated Residual Block:扩张残差块
采用两种方式来增大感受野:
1)LocSE + Attentive Pooling
2)跳层连接
红色点在经过一次LA操作后感受野为K个相邻点,经过第二次LA后,感受野为K^2个邻域点。
整体结构
整体采用encoder-decoder结构,并将RS与LFA组合。解码器阶段采用最近邻插值,来提升算法效率。
实验
实验一:验证随机采样的有效性
实验二:验证RandLA-Net的有效性
实验三:基准数据集评估结果
Semantic3D
SemanticKITTI
S3DIS
实验四:消融实验
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割(2020)
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看:点云学习历史文章大汇总
SLAM及AR相关分享
往期线上分享录播汇总
点云PCL更多活动请查看:点云PCL活动之应届生校招群
扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示:
如果你对本文感兴趣,请点击“原文阅读”获取知识星球二维码,务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球,免费下载pdf文档,和更多热爱分享的小伙伴一起交流吧!
以上内容如有错误请留言评论,欢迎指正交流。如有侵权,请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧!期待有想法,乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉,点云,高精地图,自动驾驶,以及机器人等相关的领域。
分享及合作方式:群主微信“920177957”(需要按要求备注) 联系邮箱:dianyunpcl@163.com,欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶