原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
基于深度学习的点云语义分割网络研究
摘要：随着激光雷达探测技术的发展，激光雷达点云在测绘生产、自动驾驶、智慧城市等领域得到了广泛的应用。但是，点云的分割、识别等基础研究却遇到了瓶颈，严重制约了点云应用的发展。点云语义分割网络由三维体素构建方法、特征学习网络和骨干网络组成。三维体素构建方法通过体素分割、点云分组、随机采样和KNN编码，将稀疏的、密度可变的点云数据转换为密集的、特征数目相等的三维体素；特征学习网络通过全连接层、鸟瞰投影将无序点云转化为规则、有序的二维网格特征；骨干网由堆叠的沙漏网络组成，可以有效地学习二维网格特征，实现高精度的点云语义分割。
关键词：深度学习点云语义分割三维体素构建特征学习网络
中图分类号：G648.4、C961
ResearchonPointCloudSemanticSegmentationNetworkBasedonDeepLearning
FANGXiaohui1WANGHailong2TIANZeyu1*GUOTing3TIANJing1
Abstract：WiththedevelopmentofLidardetectiontechnology，Lidarpointcloudshavebeenwidelyusedinfieldssuchassurveyingandmappingproduction，autonomousdriving，andsmartcities.However，nbsp;basicresearchonpointcloudsegmentationandrecognitionhasencounteredbottlenecks，seriouslyrestrictingthedevelopmentofpointcloudapplications.Thepointcloudsemanticsegmentationnetworkinthisresearchconsistsofthe3Dvoxelconstructionmethod，featurelearningnetwork，andbackbonenetwork.The3Dvoxelconstructionmethodconvertsthesparseandvariabledensitypointclouddataintothedense3Dvoxelswithanequalnumberoffeaturesthroughthevoxelsegmentation，pointcloudgrouping，randomsampling，andKNNencoding.Thefeaturelearningnetworktransformsunorderedpointcloudsintotheregularandorderedtwo-dimensionalgridfeaturesthroughthefullyconnectedlayersandbirds-eyeprojection.Thebackbonenetworkiscomposedofthestackedhourglassnetworks，whichcaneffectivelylearntwo-dimensionalgridfeaturesandachievehigh-precisionpointcloudsemanticsegmentation.
KeyWords：Deeplearning;Pointcloudsemanticsegmentation;3Dvoxelconstruction;Featurelearningnetwork
点云语义分割是测绘生产、自动驾驶和智慧城市等应用的基础，也是遥感识别、计算机视觉等领域的研究热点。近年来，国内外研究人员将发展迅猛的深度学习应用在点云分割处理领域。麻省理工学院WANG等人[1]提出了边卷积EdgeConv，进行点云分割。俄勒冈州立大学WU等人[2]提出了卷积PointConv，处理不规则点云。中科院WEN等人[3]引入方向约束点卷积D-Conv，提取点云的局部特征。中科院WEN等人[4]通过图局部注意力机制，动态改变卷积核的权重和形状。牛津大学ZHANG等人[5]将三维点云投影到二维鸟瞰图，通过自注意力机制，学习特征表示。阿卜杜拉国王科技大学LAHOUD等人[6]在稠密三维体素网格的基础上，进行实例分割。德国波恩大学MILIOTO等人[7]将点云投影为深度图像，通过迭代聚类，提取实例。德国慕尼黑工业大学GASPERINI等人[8]设计了共享一个编码器、并行两个解码器的网络结构，输出语义标签。北京航空航天大学王章宇等人[9]提出包括预处理、特征提取网络和逆处理的分割方法。兰州交通大学杨军等人[10]将点云嵌入到高维空间，获取高维特征。尽管以上
文档评论（0）