南京国图信息产业有限公司 江苏 南京 210036

引言

点云的语义分割旨在为每个点分配一个类别标签，这是许多工业应用[1]的基础，从土地覆盖图、数字城市、城市场景重建到自动驾驶等。本文专门针对使用移动激光扫描（mobile laser scanning,MLS）数据在大规模市区中进行语义分割的基础和理论问题。

在过去的几十年中，已经展开了许多MLS点云的自动语义分割的研究，这些研究从不同方面提高了准确性。在现有方法中，从局部邻域[1]中提取低层次特征引起了广泛关注。由于这些方法主要是各种类型的手工特征，并利用它们来训练传统的机器学习算法，而不考虑邻域中的相关信息，因此语义分割结果中可能存在明显的标签不一致之处。为了克服这些缺点，许多研究采用概率图形模型[2]来集成更多的上下文信息。但这些模型在复杂的场景中会忽略远程上下文信息，并且即使进一步提高了分割精度，也通常存在鲁棒性的不足。

近年来，随着计算能力和可用标记数据的增长，深度学习在点云处理方面取得了空前的成功。为了使用于点云的深度神经网络更直观和易于实施，一些研究人员将3D点云转换为体素[3]或2D图像[4]，但不可避免丢失信息。因此，更多的注意力已经投入到直接在不规则点云上工作的点卷积网络。为了满足MLS数据的特征，已经提出了一些新颖的卷积网络[5]。尽管已证明该操作在进一步提高分类性能方面非常有效，但是上述卷积忽略了属于同一物体的点之间的结构连接，并导致不良的物体描绘。……