• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >Point Cloud Semantic Segmentation Network Based on Multi-Scale Feature Fusion
【2h】

Point Cloud Semantic Segmentation Network Based on Multi-Scale Feature Fusion

机译：基于多尺度特征融合的点云语义分割网络

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The semantic segmentation of small objects in point clouds is currently one of the most demanding tasks in photogrammetry and remote sensing applications. Multi-resolution feature extraction and fusion can significantly enhance the ability of object classification and segmentation, so it is widely used in the image field. For this motivation, we propose a point cloud semantic segmentation network based on multi-scale feature fusion (MSSCN) to aggregate the feature of a point cloud with different densities and improve the performance of semantic segmentation. In our method, random downsampling is first applied to obtain point clouds of different densities. A Spatial Aggregation Net (SAN) is then employed as the backbone network to extract local features from these point clouds, followed by concatenation of the extracted feature descriptors at different scales. Finally, a loss function is used to combine the different semantic information from point clouds of different densities for network optimization. Experiments were conducted on the S3DIS and ScanNet datasets, and our MSSCN achieved accuracies of 89.80% and 86.3%, respectively, on these datasets. Our method showed better performance than the recent methods PointNet, PointNet++, PointCNN, PointSIFT, and SAN.
机译：点云中的小对象的语义分割目前是摄影测量和遥感应用中最苛刻的任务之一。多分辨率特征提取和融合可以显着提高对象分类和分割的能力，因此它广泛用于图像场。对于这种动机，我们提出了一种基于多尺度特征融合（MSSCN）的点云语义分割网络，以聚合点云的特征，具有不同的密度，提高语义分割的性能。在我们的方法中，首先应用随机的下采样来获得不同密度的点云。然后，将空间聚合网络（SAN）用作骨干网络以从这些点云中提取本地特征，然后在不同的尺度上串联。最后，损失函数用于将不同的语义信息与不同密度的点云组合，以进行网络优化。在S3DIS和Scannet数据集上进行实验，我们的MSSCN分别在这些数据集上实现了89.80％和86.3％的准确度。我们的方法表现出比最近的方法PointNet，PointNet ++，Pointcnn，Poinsift和SAN的性能更好。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号