科研之友
微信
新浪微博
Facebook
分享链接
摘要
激光点云是3D传感器的输出，且对它的语义分割任务是理解真实世界的基础。基于图卷积的点云分割网络在许多场景下都展现了优异的性能。然而，现有的图卷积方法存在部分问题：点云局部表示的能力未得到加强，忽略了全局几何信息，并且聚合操作只保留局部最大响应值信息，而次最大值信息丢失。为了处理这些问题，本文提出GRes-Net网络。利用局部几何加强(Local Geometry Augment, LGA)模块，使网络对Z轴具有旋转不变性，以便加强点云局部信息表示；采用全局几何特征(Global Geometry Feature, GGF)模块，计算局部与全局的球体体积比，将其与坐标特征X进行连接，使全局几何信息特征得以保留；通过多个对称聚合操作将局部信息多方面地保留；网络中每层都使用残差操作，将上一层信息传递到下一层，以及利用反向残差模块(Reversed Residual MLP,RevResMLP)挖掘更深层次的语义信息。本文在S3DIS数据集上进行语义场景分割实验，验证网络分割的性能。实验结果表明该方法在分割精度上达到61%,相比于基准网络DGCNN提高14%,有效地提高了模型性能。
- 单位
