#每日一篇学术文章# 【LessNet: Lightweight and efficient semantic segmentation for large-scale point clouds】(LessNet:适用于大型点云的轻量级高效语义分割)https://t.cn/A6XNeWdc
摘要:随着自动驾驶和机器人技术的广泛应用,大规模户外点云的语义分割是一个关键且具有挑战性的问题。由于点云数量众多且排列不规则,很难平衡效率和有效性。本文利用圆柱分区和voxel内特征融合,提出了LessNet,这是一种轻量级高效的纯体素纯激光雷达语义分割方法。具体来说,我们使用圆柱形分区方法来更均匀地分配体素中的室外点云。为了更好地编码体素功能,我们采用了voxel内部聚合方法,而无需查询邻居。体素特征被进一步输入到轻量级有效的3D U网中,以聚合局部特征并扩大接收场。广泛的实验证明了我们拟议框架中令人满意的语义分割性能和每个组件的改进。我们的方法能够一次处理超过一百万个点云,同时保留低延迟和很少的参数。此外,我们的方法与最先进的方法取得了可比的性能,并在SemanticKITTI基准上优于所有基于投影的方法。
来源:IET Cyber-Systems and Robotics
摘要:随着自动驾驶和机器人技术的广泛应用,大规模户外点云的语义分割是一个关键且具有挑战性的问题。由于点云数量众多且排列不规则,很难平衡效率和有效性。本文利用圆柱分区和voxel内特征融合,提出了LessNet,这是一种轻量级高效的纯体素纯激光雷达语义分割方法。具体来说,我们使用圆柱形分区方法来更均匀地分配体素中的室外点云。为了更好地编码体素功能,我们采用了voxel内部聚合方法,而无需查询邻居。体素特征被进一步输入到轻量级有效的3D U网中,以聚合局部特征并扩大接收场。广泛的实验证明了我们拟议框架中令人满意的语义分割性能和每个组件的改进。我们的方法能够一次处理超过一百万个点云,同时保留低延迟和很少的参数。此外,我们的方法与最先进的方法取得了可比的性能,并在SemanticKITTI基准上优于所有基于投影的方法。
来源:IET Cyber-Systems and Robotics
#Paint it# 马来西亚艺术家Shin Oh形容自己是“陷在过去的人”,她说自己的每一件作品都围绕着现实的生活,可能是关于过去的,或是现在的,但从不会围绕着未来。这也许是她创作“126³Tiny Voxel Shops”系列的原因之一,在这个系列中,Shin Oh用一个个3D像素房子将马来西亚传统的空间“保存”下来,并希望通过这个系列可以让人们更加支持当地的小型企业。
福州大学物理与信息工程学院数字媒体技术系李建微副研究员团队与王前锋(福州大学环境与安全工程学院,副教授)、占家旺(福州大学电子与通信工程硕士研究生)、周霆(福州大学物理与信息工程学院,副教授)、Virgílio A. Bento(葡萄牙里斯本大学)合作,在摄影测量与遥感领域国际顶级期刊《ISPRS摄影测量和遥感杂志》(ISPRS Journal of Photogrammetry and Remote Sensing,中科院一区Top,即时影响因子:11.658)上在线发表了研究成果《基于体素平面特征的点云配准与定位》【Point cloud registration and localization based on voxel plane features】。该成果以福州大学为第一署名单位,李建微副研究员为第一作者,王前锋副教授为通讯作者。
✋热门推荐