彭秀平 仝其胜 林洪彬 冯 超 郑 武

三维点云数据理解在计算机视觉和模式识别领域是一项非常重要的任务,该任务包括物体分类,目标检测和语义分割等.其中,语义分割任务最具有挑战性,传统的方法大多是在对点云数据进行必要特征提取的基础上,应用支持向量机(Support vector machine,SVM)一类的分类算法,通过训练一组特征分类器来完成散乱点云数据的语义分割任务[1].显然,这类方法的性能很大程度上依赖点云特征的设计、特征提取的精度以及特征分类器的性能.虽然国内外学者提出了几十种点云特征和大量的分类算法,但是依然没有一种或几种特征能完全适用于所有语义分割场景,算法适用性、精度和可靠性都得不到保障.

近年来,随着深度学习技术的发展,涌现出许多端对端的学习算法,这种端对端的学习方式不依赖于手工设计的特征,只需给定输入数据和对应的数据标签,将其输入神经网络,即可通过反向传播算法自动学习一组可以抽象高级特征的权重矩阵,最后再由全连接层(Fully connected layer,FC)对高级特征进行分类,从而完成分割任务.现有的基于深度学习的点云分割研究方法大体可分为如下两类:

一类是基于散乱点云数据结构规则化的深度学习方法,这类方法通常是先通过体素化处理或八叉树、KD 树等树形结构,将无序和不规则的散乱点云处理成规则的结构化数据,再将结构化数据输入三维卷积神经网络(Convolutional neural network,CNN)进行训练.基于……