王 涛，王文举，蔡 宇

上海理工大学，上海 200093

三维点云的语义分割是指通过将原始点云数据划分成若干区域，按照相关的功能定义对相同属性和不同属性的数据点进行分割，并用标签标记被分割的区域，从而得到每个三维点的语义类别[1]。在生产制造领域，如智能包装，三维点云的语义分割技术可以使机器代替人眼对目标进行精准的测量、判断和控制，从而实现机械手臂的智能包装装配[2]。此外，随着3D传感技术的飞速发展，雷达、激光扫描仪、深度扫描仪、Kinect等硬件三维扫描、摄像设备的不断涌现，点云数据采集获取变得日益便利、精准，并且点云具有将物体原始的几何信息完整地保留在三维空间上的重要特性。因此，三维点云的语义分割技术在计算机视觉[3-5]、语音识别[6]、人脸识别[7]、全息成像[8]、生物医学分割[9]、自动驾驶汽车[10]等领域上得到了广泛的应用。但是由于点云数据的物体对象形状多样性、密度不均匀性和采样不规则性[11]等特点，使得在三维空间中数据点的分布非常不均匀，不同物体之间可能存在着相互遮挡，匹配信息可能会出现错误，这些都将直接影响语义分割方法的准确性，阻碍了智能包装、智能自动驾驶技术等应用场景前进的步伐。

第一个将三维模型用被标记数据集的方法来训练是由马萨诸塞大学的Kalogerakis等人[12]采用，并提出了用于3D网标记分割的监督方法。该方法代表监督学习方法的早期实验，所以有些局限性，比如说该方法不能区分上/下或者左/右（如左臂/右臂），所以需要提供信息的几何特征更多，而且该方法训练的时间过长，对大型数据而言，训练的时间甚至超过了几十个小时。……