RandLA-Net:高效的大规模点云语义分割

标题:RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

作者:Hu, Qingyong,Yang, Bo,Xie, Linhai,Rosa, Stefano,Guo, Yulan,Wang, Zhihua

来源:CVPR2020   牛津大学、中山大学、国防科技大学

翻译:吉祥街

欢迎各位加入免费知识星球,获取PDF论文,欢迎转发朋友圈分享快乐。

论文阅读模块将分享点云处理,SLAM,三维视觉,高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享,欢迎各位加入我,我们一起每天一篇文章阅读,开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。

贡献

  • 验证了随机采样在大规模场景点云处理上能够有效的节省时间。

  • 提出了一个有效的基于注意力机制的局部特征聚合模块LAF(Local Feature Attention),通过逐步增加每个点的感受野来保持复杂的局部结构。

  • 表现sota

特点

  • 端到端训练,不需要额外的预处理和后处理步骤。

  • 直接对点进行操作

  • 实时性增快200x

RandLA-Net

点采样方法

任务描述:从具有N个点的大规模点云P中采样K个点。

  • 启发式采样

  • 基于学习的采样

LFA(Local Feature Attention):局部特征聚合模块

目的描述:弥补随机采样会造成某些关键特征丢失,提出了一个有效的基于注意力机制的局部特征聚合模块。

局部特征聚合模块由三个神经单元组成:

  1. LocSE(Local Spatial Encoding):局部空间编码模块

  2. Attentive Pooling:注意力池化

  3. Dilated Residual Block:扩张残差块

  • LocSE(Local Spatial Encoding):局部空间编码模块

对输入的点云的三维坐标进行编码。

  • Attentive Pooling:注意力池化

采用注意力池化,将上层输入的局部邻域点集特征进行聚合。

  • Dilated Residual Block:扩张残差块

采用两种方式来增大感受野:

1)LocSE + Attentive Pooling

2)跳层连接

红色点在经过一次LA操作后感受野为K个相邻点,经过第二次LA后,感受野为K^2个邻域点。

整体结构

整体采用encoder-decoder结构,并将RS与LFA组合。解码器阶段采用最近邻插值,来提升算法效率。

实验

实验一:验证随机采样的有效性

实验二:验证RandLA-Net的有效性

实验三:基准数据集评估结果

Semantic3D

SemanticKITTI

S3DIS

实验四:消融实验

资源

三维点云论文及相关应用分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

3D目标检测:MV3D-Net

三维点云分割综述(上)

3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割(2020)

win下使用QT添加VTK插件实现点云可视化GUI

JSNet:3D点云的联合实例和语义分割

大场景三维点云的语义分割综述

PCL中outofcore模块---基于核外八叉树的大规模点云的显示

基于局部凹凸性进行目标分割

基于三维卷积神经网络的点云标记

点云的超体素(SuperVoxel)

基于超点图的大规模点云分割

更多文章可查看:点云学习历史文章大汇总

SLAM及AR相关分享

【开源方案共享】ORB-SLAM3开源啦!

【论文速读】AVP-SLAM:自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导,视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔:非结构化道路激光SLAM中的挑战

SLAM综述之Lidar SLAM

基于鱼眼相机的SLAM方法介绍

(0)

相关推荐