基于深度学习的三维点云分割综述

论文连接在这里

传统的点云分割方法包括:

  • 基于边缘检测的方法
  • 基于区域增长的算法
  • 基于特征聚类的算法
  • 基于模型拟合的算法
  • 基于图形的算法

深度学习方法相对于传统方法的优势:

传统方法过分依赖于人工设计的特征,成本高,计算量大,并且普适性差,在面向大数据集时表现不佳。

三维点云数据集:

基于深度学习的三维点云分割综述_第1张图片

点云模型的评价指标:

评价指标用于 分割算法 之间的性能比较,包括:平均交并比(mIoU)、总体分割精度(Overall Accuracy,OA)、平均精确率(mean Accuracy Precision,mAP)、参数量(Parameters)和每秒的浮点运算数(FLOPs)等。
基于深度学习的三维点云分割综述_第2张图片

  • TP(True Positive) 预测为正样本且是预测结果是正确。
  • FP(False Positive) 预测为正样本但是预测结果错误。
  • FN(False Negative) 预测结果为负样本但是预测结果错误。

3D点云语义分割方法发展脉络

基于深度学习的三维点云分割综述_第3张图片

基于体素化的方法

基于体素化的方法是一种结构化的表示方法,其将无序的点云分割成一系列占用一定空间的体素,然后送入3D CNN逐步进行体素级别的特征学习,最后为每一格体素内的所有点匹配与该体素相同的语义标签。该方法有效地促进无序点云规则化,但是存在较高的计算和内存成本。

基于多视图的方法

多视图方法将一个3D对象按照多个角度投影成多个2D视图并提取各视图特征,然后融合这些特征以预测结果。
这种方法一个比较经典的网络就是MVCNN。它模拟相机从若干不同角度获取3D物体的2D图像,再利用预训练CNN模型提取特征,最后通过全局最大池化将不同视角的特征聚合达到形状识别的目的。
但是该方法所提取的特征冗余性很高,且没有很好的考虑多视角下的特征之间的关系。

基于点云的方法

1.基于多层感知机MLP的方法
PointNet直接将3D点云作为输入,引入T-Net结构实现点云的旋转不变,利用共享的多层感知机(MLP)提取输入的每个点的特征,通过最大池化将所有点的信息聚合得到全局特征。该方法有效改善了原始点云旋转不变性差的问题,广泛应用于分类、部件分割和语义分割等任务。
但存在过分关注全局特征而忽略局部特征的问题,没有考虑点与点之间的结构信息,也没有充分考虑到点云密度不均匀所造成的不利影响等问题,难以适应复杂场景。

针对以上问题, 在PointNet基础上进一步提出了PointNet++。如图2所示,该方法通过层级下采样来捕捉局部几何细节信息。此外,该方法还提出了多尺度分组和多分辨率分组的策略,以克服由于点云数据密度不均匀引起的稀疏点信息可能被忽视问题。虽然有效解决了PointNet在采样和特征提取方法上存在的问题,但仍然没有充分考虑如何有效利用点与点之间的结构信息,且所采用的K近邻搜索方法可能使得采样点集中在一个方向上,容易出现标签错分。

基于深度学习的三维点云分割综述_第4张图片
2.点卷积的方法
代表作:PointCNN,PointConv。
基于深度学习的三维点云分割综述_第5张图片
3.基于RNN的方法
将循环神经网络应用于3D点云语义分割模型。

4.基于图卷积的方法
基于图卷积的点云语义分割将点云中的每个点视为图的顶点,与邻域点生成图有向边,在空间域或频谱域中学习点、边特征,以捕获3D点云的局部几何结构特征。
代表作:DGCNN
DGCNN提出了一个用于学习边缘特征的边缘卷积(EdgeConv),通过构建局部邻域图和对每条邻边进行EdgeConv操作,动态更新层级之间的图结构。EdgeConv可以捕捉到每个点与其邻域点的距离信息。
但是同样DGCNN忽视了相邻点之间向量的方向信息,忽略了一些结构信息。

你可能感兴趣的:(面试,深度学习,机器学习,算法)