论文笔记-Multi-view Incremental Segmentation of 3D Point Clouds for Mobile Robots

本文提出了一种适用于移动机器人的多视图增量3D点云分割方法,名为MCPNet,能够实时整合新扫描信息,提高语义分割准确性。通过Multi-view context pooling (MCP)模块增强点的分类,结合在线聚类实现点云的增量分割。相比于现有在线方法,点精度提升15%,NMI提升7%。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

标题:Multi-view Incremental Segmentation of 3D Point Clouds for Mobile
Robots
作者:Jingdao Chen1, Yong K. Cho2, and Zsolt Kira1

摘要

现有点云语义分割大部分基于单帧或者离线的基础。如PointNet[6]和SGPN[7],在应用于机器人实时扫描时缺乏实时性,因为它们被设计成一次操作一个点云,并且没有以增量方式合并来自新扫描的信息。没办法随着时间推移整合分割的结果。该文章提出了移动机器人可以在线递增的生成环境的富语义三维点云。论文提出的MCPNet被训练用来预测类的标签和扫描到的点云的每个点的标签。 类标签直接通过神经网络计算。实力标签则通过凝聚聚类决定(agglomerative clustering)。Multi-view context pooling(MCP)用来整合各个视点获得的点的特征来提高分类的准确度。这个在线增量分割框架允许在十分之一秒内处理新的扫描,而如果使用离线方法重新计算整个点云的分割,则只需半分钟
训练集:Stanford 3D Indoor Spaces dataset
效果:与最好的在线方法比,点的精确度提升了15%, NMI提升了7%,与基于PointNet的离线方法比,准确度降低了6%

主要贡献

  1. 设计了MCP来从多个视点整合信息
  2. 提出了一个在单一框架下进行在线点云聚类和分类的联合网络
  3. 介绍了一种用于标记动态激光扫描数据的模拟光线跟踪数据集

相关工作

移动机器人获取的点云数据的语义处理可以采用聚类、分类等多种形式进行。聚类主要是将大点云分成小的能组成语义内聚单元的快。通常依赖于种子点(seed point),然后围绕这个点生成一点云。生成的标准有距离,法向量的相似性,颜色的相似性。更复杂的有使用深度学习框架来预测。比如SGPN。本篇论文采用距离来作为分组标准

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值