基于深度学习的3D点云实例分割研究综述.docVIP

基于深度学习的3D点云实例分割研究综述

一、3D点云实例分割的问题定义与核心挑战

3D点云实例分割的核心目标是对输入的无序3D点云数据进行逐点类别标注的同时，区分同类别下的不同个体实例，其输出需同时包含每个点的语义类别标签与实例唯一标识。与2D图像实例分割相比，点云数据的固有特性为任务带来了多重独特挑战：首先是数据结构的无序性，点云以离散坐标集合的形式存储，不存在类似图像的栅格拓扑结构，传统卷积网络无法直接适配，需要设计具有排列不变性的特征提取算子；其次是密度分布的不均匀性，受传感器扫描视角、物体表面反射率及距离影响，同一场景内不同区域的点云密度差异可达数十倍，易导致远处或边缘物体的特征提取失效；再者是信息维度的稀疏性，多数点云仅包含三维坐标与少量反射强度信息，缺乏图像中丰富的纹理、颜色特征，小目标或细粒度实例的区分难度显著提升；最后是场景的尺度多样性，室内场景中厘米级的桌面摆件与室外自动驾驶场景中数十米长的公交车共存，模型需要具备极强的多尺度特征建模能力。

从任务评价维度看，3D点云实例分割通常采用平均精度（AP）作为核心指标，同时辅以实例召回率、逐点分类准确率等辅助指标。不同应用场景对指标的侧重存在明显差异：自动驾驶场景更关注车辆、行人等动态目标的高召回率，对小目标的漏检容忍度极低；工业零件检测场景则要求实例边界的分割精度达到亚毫米级，避免因边界误差导致后续装配失败；室内机器人