RandLA-Net:高效的大规模点云语义分割

最新推荐文章于 2024-06-15 17:32:07 发布
最新推荐文章于 2024-06-15 17:32:07 发布
阅读量1.3k 收藏 6
点赞数 1
文章标签： 人工智能 计算机视觉 编程语言 深度学习 xhtml
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/u013019296/article/details/109213635
版权

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：

  1. LocSE（Local Spatial Encoding）：局部空间编码模块

  2. Attentive Pooling：注意力池化

  3. 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目标检测：MV3D-Net

三维点云分割综述（上）

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）

win下使用QT添加VTK插件实现点云可视化GUI

JSNet：3D点云的联合实例和语义分割

大场景三维点云的语义分割综述

PCL中outofcore模块---基于核外八叉树的大规模点云的显示

基于局部凹凸性进行目标分割

基于三维卷积神经网络的点云标记

点云的超体素(SuperVoxel)

基于超点图的大规模点云分割

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

【开源方案共享】ORB-SLAM3开源啦！

【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔：非结构化道路激光SLAM中的挑战

SLAM综述之Lidar SLAM

基于鱼眼相机的SLAM方法介绍

往期线上分享录播汇总

第一期B站录播之三维模型检索技术

第二期B站录播之深度学习在3D场景中的应用

第三期B站录播之CMake进阶学习

第四期B站录播之点云物体及六自由度姿态估计

第五期B站录播之点云深度学习语义分割拓展

第六期B站录播之Pointnetlk解读

[线上分享录播]点云配准概述及其在激光SLAM中的应用

[线上分享录播]cloudcompare插件开发

[线上分享录播]基于点云数据的 Mesh重建与处理

[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享

[线上分享录播]地面点云配准与机载点云航带平差

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

点云PCL公众号博客
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
CVPR 2020——RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds （已开源）
Dujing2019的博客
03-17 7670
CVPR 2020 | RandLA-Net:大场景三维点云语义分割新框架（已开源）(一) Authors(二) Abstract（三）Introduction（三）Related Work（四）RandLA-Net4.1. Overview4.2. The quest for efficient sampling4.3. Local Feature Aggregation 论文链接: https...
论文阅读：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
m0_37433111的博客
07-18 568
2020年7月18日 周六 天气晴 【不悲叹过去，不荒废现在，不惧怕未来】 RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds RandLA-Net: 大规模点云的高效语义分割 这篇论文是今年CVPR2020上的一篇oral，能高效处理大规模点云的语义分割问题。网上有很多人都对这篇论文进行了解读，比如下面这些： https://zhuanlan.zhihu.com/p/114595738 https://blog
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020）-python
06-18
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020） RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (CVPR 2020) 这是 RandLA-Net (CVPR2020, Oralpresentation) 的官方实现，这是一种用于大规模 3D 点云语义分割的简单高效的神经架构。 技术细节请参考：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 胡庆勇、杨博*、谢林海、Stefano Rosa、郭玉兰、王志华、Niki Trigoni、Andrew Markham。 [Paper] [Video] [Blog] (1) Setup 此代码已在 Ubuntu 16.04 上使用 Python 3.5、Tensorflow 1.11、CUDA 9.0 和 cuDNN 7.4.1 进行测试。 克隆仓库 git clone --depth=1 http
基于RandLA-Net深度学习模型的激光点云语义分割
最新发布
Jcb1906824038的博客
06-15 1027
本文记录了RandLA-Net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，同时提交了完整项目代码逐行注释解析并增加了相关点云分割精度评价文件输出内容
【CVPR2020】RandLA-Net：大规模点云的高效语义分割
weixin_44378835的博客
07-17 3853
深度神经网络对点云进行处理不可避免地需要在保证不丢失有用的点特征的前提下对这些点进行下采样。而大规模的点云跨度可达数百米，包含数百万个点，采样的时间和空间复杂度都较高。 这篇论文 * 分析并比较了现有的点云采样方法，得出随机采样(Random Sampling)是最适合大规模点集这一结论。 * 设计了一个局部特征聚合器(Local Feature Aggregation)，它通过逐步增加每个点的感受野来避免随机采样导致的特征丢失。 ...............
《论文阅读12》RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
darren_pty
08-13 922
语义分割
论文翻译 | RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
bettii的博客
06-23 1041
论文：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 代码：code 我们研究了一个高效的大规模3D点云的语义分割问题。通过代价很高的下采样策略或高运算量的预处理或后处理步骤，大多数已有的方法只能在小规模点云上训练或运算。在这篇文章中，我们引入了RandLA-Net，一...............
【论文阅读】RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
毛毛的博客
10-03 998
文章目录前言摘要1.介绍2.相关工作2.1 基于CNN的目标检测2.2 基于点云的3D目标检测3.PIXOR 检测器4.结果4.1 KITTI上的BEV目标检测5.总结 前言 1. 为什么要做这个研究？ 2. 实验方法是什么样的？ 3. 得到了什么结果？ 摘要 本文主要研究大规模3D点云的高效语义分割问题。大多数现有方法受限于开销昂贵的采样技术或计算量大的预处理/后处理步骤，只能运行于小规模点云。本文提出的RandLA-Net是一种高效且轻量级的神经架构，用于直接推断大规模点云的点语义。RandLA-N
RandLA-Net-Enhanced:RandLA-Net改进版
05-03
原代码论文主要贡献：提出更快的点云语义分割模型。 对比现有的采样方法，发现随机采样最好。 为了减小随机采样丢失的信息，提出局部特征采样器，包括 Local Spatial Encoding (LocSE) 和 Attentive Pooling。 下...
RandLA-Net-pytorch:RandLA-Net（https的Pytorch实施
05-23
RandLA-Net-pytorch 该存储库包含的实现。 我们现在仅支持SemanticKITTI数据集。 （欢迎大家共同发展，提高公关意识） 我们的模型几乎与原始实现一样好。 （验证集：我们的52.9％的mIoU与原始的53.1％） 我们将...
RandLA-Net:andTandorflow中的RandLA-Net（CVPR 2020，口服）
05-03
这是RandLA-Net （CVPR2020，口头演示）的官方实施， RandLA-Net是一种简单高效的神经体系结构，用于大规模3D点云的语义分割。 有关技术细节，请参阅： RandLA-Net：大规模点云的有效语义分割， ，，，，， ，。 ...
大尺度室外三维点云语义分割模型汇总，包括已调通的RandLA-Net, KPConv等SOTA模型 用户可以根据需求下载使用
05-31
首先，RandLA-Net是一种轻量级、高效且准确的点云语义分割网络。其设计重点在于减少计算量的同时保持高分割性能。RandLA-Net通过随机采样策略减少了点的数量，降低了计算复杂性，同时结合局部和全局上下文信息，提高...
[CVPR 2020] RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
zhulf0804的博客
09-28 718
零、概要 论文: RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds tag: CVPR 2020; Segmentation 代码: https://github.com/QingyongHu/RandLA-Net 作者: Qingyong Hu, Bo Yang, Linhai Xie, Stefano Rosa, Yulan Guo, Zhihua Wang, Niki Trigoni, Andrew Mar
【CVPR20‘】Randla-net: Efficient semantic segmentation of large-scale point clouds
价值知识传播者
01-18 388
为了克服这一问题，我们引入了一个新颖的局部特征聚合模块，逐渐增加每个3D点的感受野，从而有效地保留几何细节。我们的RandLA-Net仅需0.04秒即可直接处理包含105个点的大型点云，该点云位于3D空间中的150×130×10米，比SPG快高达200倍。Figure 4. 膨胀残差块的示意图，它显著增加了每个点的感受野（虚线圆圈），彩色点表示聚合的特征。红色圆圈表示失败的情况。Figure 2. 在RandLA-Net的每一层中，大规模点云被显著降采样，但仍能保留进行准确分割所需的特征。
「论文阅读」RandLA-Net：Efficient Semantic Segmentation of Large-Scale Point Clouds
小麋鹿跑了的博客
02-13 4944
文章提出的局部特征聚合模块并行应用于每个3D点，它由三个神经单元组成: 1)局部空间编码(LocSE)， 2)注意力池化(attentive pooling)， 3)扩张残留块。 局部特征聚合模块的结构如下： 顶部的两个模块分别是提取特征的局部空间编码块(LocSE)和基于局部上下文和几何形状的加权注意力池化模块(Attentive Pooling)。 而底部的面板显示了这些组件如何从宏观上被连接到一起，同时设置了一个残差块(Dilated Residual Block)来增加感受.
论文研读之《RandLaNet: Efficient Semantic Segmentation of Large-Scale Point Clouds》
ZhangK9509的博客
03-04 7427
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 论文：https://arxiv.org/pdf/1911.11236.pdf 源码：https://github.com/QingyongHu/RandLA-Net 应用领域：大场景（如室外）的点云语义分割 数据集： Semantic3D Semant...
【 论文笔记】大规模点云分割 RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds CVPR 2020
phy12321的博客
08-23 2346
牛津大学，国防科技大学 代码：地址 更加详细的论文翻译：地址 本文提出轻量级高效的大规模点云语义分割算法：RandLA-Net。其单次可处理10610^6106个点，速度相较于基于图的SPG方法快了200倍，且内存占用较小，语义分割精度SOTA。 现有方法均不能处理大规模的点云数据，局限在较小规模的场景和点云数据上，作者认为主要原因有： 点云采样方法计算量大，内存占用高（这个是主因，除了随机采样，常用的采样算法都太慢了） 点云局部特征学习器均依赖于kernelisation或graph constru.
【点云识别】RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (CVPR 2020 Oral)
Orientliu96的博客
04-05 780
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 本文介绍一篇cvpr2020里面关于大场景下点云分割的文章。 论文 代码 1. 问题 为了解决的问题很直接，超大规模的点云分割 2. 思想 网络架构如上，本文花了大量的时间论述针对超大规模的点云场景，目前只能使用随机采样这种快速的采样方法。 对比部分可以...
win10系统下训练randla-net点云语义分割模型
09-08
在Win10系统下训练RandLA-Net点云语义分割模型，需要以下步骤： 1. 安装CUDA和CUDNN：RandLA-Net是基于深度学习框架PyTorch开发的，要在Win10系统上训练该模型，首先需要安装支持GPU计算的CUDA和CUDNN。 2. 安装Python和PyTorch：Python是深度学习常用的编程语言，安装Python后，通过pip安装PyTorch库。 3. 下载训练数据集：从相关资源网站下载点云语义分割数据集。常用的数据集有Semantic3D、S3DIS等。下载后，将数据集解压至指定目录。 4. 准备训练代码和配置文件：在下载好论文源码的基础上，将代码和配置文件放置在合适的文件夹中。根据具体需求调整配置文件中的参数，比如训练epoch数、批量大小、学习率等。 5. 数据预处理：对下载的数据集进行预处理，将点云数据转换为模型可接受的输入格式。预处理过程包括点云读取、数据标准化、特征提取等步骤。 6. 开始训练：运行训练代码，开始进行模型训练。训练过程中，模型将根据配置文件中的参数进行前向传播、反向传播等操作，并根据损失函数进行模型参数的更新。 7. 模型评估和测试：训练完成后，可以对模型进行评估和测试。评估过程中，使用测试集对模型进行性能评估，如计算准确率、召回率、F1分数等指标。 8. 模型应用：经过训练的模型可以用于点云语义分割任务。将未标注点云数据输入模型，进行语义分割操作，得到点云中各个点的语义标签。 需要注意的是，训练模型所需的时间和计算资源与数据集的大小和复杂度有关。较大规模的数据集和复杂的模型需要更多的时间和计算资源来训练。
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

打赏作者

点云PCL公众号博客

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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