本期介绍一篇基于大规模点云的语义分割相关论文《Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs》
本文提出了针对大规模点云的语义分割的框架,有序的点云是可以获取一种叫做超点图(superPoint Graph)的结构的。超点图能够提供点云对象相邻点之间的关联性,这种结构可以将传感器扫描的场景划分为均匀的几何元素用来表示同属性的点云类。然后由一个图卷积网络加以利用,实现语义分割。
相关研究
对大型点云的处理使用或者借鉴在图像上已经成熟的CNN方案。比如SnapNet[1]将点云映射成2D的图像上,语义分割之后再映射到原始的点云数据中,SegCloud[2]在规则的体素网格的基础上使用三维卷积,然后插值回原始分辨率和使用条件随机场(CRF)进行后处理来处理大型点云,但是这种方法并没有遵从三维点云的固有结构,并且导致了点云信息的确实,实际上将点云转换到图像上也会导致点云信息的丢失。点云体素表示与映射二维信息的丢失会导致语义分割的不确定性。PointNet[37]可以使用滑动窗口方法分割大型点云,因此仅