基于深度学习的点云语义分割研究综述.docVIP

基于深度学习的点云语义分割研究综述

点云作为三维空间信息的核心表征形式，通过离散点坐标集合记录目标对象或场景的几何结构、空间位置与纹理属性，在自动驾驶环境感知、机器人导航、智慧城市建模、医疗影像分析等领域具备不可替代的应用价值。语义分割作为点云智能处理的基础任务，目标是为点云中每个离散点分配预定义的语义类别标签，实现三维空间的细粒度语义理解。传统点云语义分割方法依赖人工设计的几何特征（如法向量、曲率、自旋图像）与浅层分类器，在复杂场景下特征鲁棒性不足、泛化能力有限，难以满足高精度语义理解需求。随着深度学习技术在二维图像领域的突破性进展，将深度学习框架拓展至三维点云处理成为研究热点，近年来涌现出大量创新性方法，推动点云语义分割精度与效率实现跨越式提升。

基于投影的点云语义分割方法

基于投影的方法核心思路是将非结构化三维点云转换为规则化二维表征，借助成熟的二维卷积神经网络实现特征提取，充分利用图像领域的技术积累降低三维处理复杂度。根据投影维度与视角选择的差异，可分为球面投影、多视角投影与鸟瞰图投影三大类。

球面投影针对自动驾驶等室外场景的激光雷达点云分布特性，将三维点坐标$(x,y,z)$通过坐标转换映射到二维球面网格，将点云强度、高度、反射率等属性填充为网格像素值，生成距离图像（RangeImage）。SqueezeSeg系列方法是球面投影的典型代表，SqueezeSegV1首次将