基于动态图卷积的3D点云分割网络研究结题报告.docVIP

基于动态图卷积的3D点云分割网络研究结题报告

一、研究背景与问题提出

在计算机视觉领域，3D点云数据因能精准反映物体的空间结构信息，被广泛应用于自动驾驶、机器人导航、文物数字化保护等众多场景。点云分割作为3D视觉任务的核心环节，其目标是将无序、非结构化的点云数据划分为具有语义或实例意义的子集，为后续的目标识别、场景理解提供基础支撑。

传统的点云分割方法主要依赖于手工设计的特征描述子，如FPFH（FastPointFeatureHistograms）、SHOT（SignatureofHistogramsofOrientations）等。这些方法通过计算点云局部区域的几何特征来实现分割，但在处理复杂场景时，往往难以捕捉到点云数据的全局上下文信息，且对噪声和点云密度变化较为敏感。随着深度学习技术的快速发展，基于深度学习的点云分割方法逐渐成为研究热点。

目前，主流的基于深度学习的点云分割方法可分为三类：基于多视图投影的方法、基于体素化的方法和基于点云直接处理的方法。基于多视图投影的方法将3D点云投影到多个2D平面上，利用成熟的2D卷积神经网络进行特征提取，再将提取的特征反投影到3D空间完成分割。这类方法虽然能充分利用2D卷积的优势，但在投影过程中不可避免地会丢失部分3D空间信息，导致分割精度下降。基于体素化的方法将3D点云量化为规则的体素网格，然后使用3D卷积神经网络进行处理