卫 刚，赵安铭，王志成

（同济大学电子与信息工程学院，上海201804）

近年来，随着三维扫描技术的快速发展，三维点云广泛应用于无人驾驶、建筑设计、遥感测绘及虚拟现实等计算机视觉领域。作为三维场景和分析的重要课题之一，点云语义分割一直是三维视觉和计算机图形学范畴的重要研究问题，也是目标识别、场景理解和三维重建等任务的基础。由于采集过程中的传感器噪声干扰、点云密度不均匀、场景复杂多样以及物体之间存在遮挡现象等问题，三维点云场景语义分割问题研究工作极具挑战性。现有传统的点云分割方法的识别准确率还存在较大提升空间。目前，深度学习方法已广泛应用于二维图像数据，但将深度学习方法应用于三维场景仍面临巨大的挑战，有大量的基础性工作需要完成。由于深度学习方法表现出较好的高层语言理解能力，基于深度学习的点云语义分割已成为当前研究的热点。

卷积神经网络（convolutional neural networks，CNN）成功应用的一个关键因素是能够训练和应用深层神经网络。但是，最近的工作［1-3］表明，图卷积神经网络（graph convolutional network，GCN）很难扩展到深层网络。原因是叠加多个图卷积层会提高反向传播的复杂性和出现常见的梯度消失问题。由于上述限制，大多数最先进的GCN不超过4层。ResNet［4］的提出有效地改善了CNN上的梯度消失问题。ResNet通过在输入层和输出层之间引入残差连接，大大减轻了梯度消失问题。Yu等［5］提出空洞卷积（Dilated convolutions），在不增加更多计算量的同时能够增大感受野。……