研究了大规模三维点云的有效语义分割问题。通过依赖昂贵的采样技术或繁重的计算预处理/后处理步骤,大多数现有的方法只能在小规模点云上进行训练和操作。在这篇文章中,我们介绍了一种高效的轻量级神经结构——RandLA-Net,它可以直接推断大规模点云的每点语义。我们的方法的关键是使用随机点抽样而不是更复杂的点选择方法。虽然随机抽样具有很高的计算效率和内存效率,但它也会随机地丢弃一些关键特性。为了克服这个问题,我们引入了一个新的局部特征聚合模块,逐步增加每个3D点的接受域,从而有效地保留几何细节。大量实验表明,我们的RandLA-Net单次可以处理100万个点,速度比现有方法快200倍。此外,我们的RandLA-Net在语义分割的两个大规模基准上明显超过了最先进的方法Semantic3D和SemanticKITTI。

成为VIP会员查看完整内容
24

相关内容

语义分割,在机器学习上,多指对一段文本或者一张图片,提取其中有意义的部分,我们将这些有意义的部分称为语义单元,将这些语义单元提取出来的过程,称为语义分割。
【CVPR2020-Oral】用于深度网络的任务感知超参数
专知会员服务
25+阅读 · 2020年5月25日
专知会员服务
41+阅读 · 2020年2月20日
【泡泡图灵智库】点云序列的语义分割数据集
泡泡机器人SLAM
9+阅读 · 2019年9月20日
【泡泡点云时空】FlowNet3D:学习三维点云中的场景流
泡泡机器人SLAM
41+阅读 · 2019年5月19日
【泡泡图灵智库】基于CPU的实时6D物体姿态估计(arXiv)
泡泡机器人SLAM
12+阅读 · 2019年1月26日
用于RGB-D室内场景语义分割的门式融合局部感知反卷积网络
机器学习研究会
7+阅读 · 2017年10月30日
Arxiv
10+阅读 · 2019年1月24日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
11+阅读 · 2018年4月8日
VIP会员
微信扫码咨询专知VIP会员