基于深度学习的三维点云语义分割方法研究.pdfVIP

摘要

摘要

三维点云语义分割任务作为理解复杂场景的有效途径，其被广泛应用于机器人导

航、智能制造和自动驾驶等领域。与传统的点云分割方法相比，基于深度学习的点云

分割方法因其利用卷积神经网络和Transformer强大的特征表达能力而备受青睐。本文

针对现有分割方法容易忽略过渡区域的边界信息、表征局部信息不足以及拟合点云原

始几何形状受限等问题，提出了三种基于深度学习的点云语义分割方法。主要研究内

容如下：

（1）针对现有分割方法容易忽略过渡区域的边界信息，导致过渡区域存在混淆

特征的问题，提出了基于边界感知的双重边缘卷积网络。首先，将PointNet++和

PointConv两种网络相组合以优化骨干网络的特征表示能力，增强特征的鲁棒性。其

次，利用边界感知模块关注目标边界信息，该模块包含边界点预测模块和特征聚合模

块。边界点预测模块通过学习到的邻域点特征预测出属于目标边界上的点；特征聚合

模块以目标边界点为约束对局部邻域内的点云特征进行判别聚合。此外，本文还设计

了双重边缘卷积模块以建模局部点对间的几何关系，并将该模块应用在特征聚合编码

过程中，捕获了局部细粒度的几何信息。