点云分割是为每个点赋予语义标签，用于自动驾驶、机器人和AR/VR等领域，可解决去噪和地面检测等问题。文章介绍了点云分割的挑战，如点数过多、稀疏性和无序性，并探讨了几种经典方法，如PointNet和PointNet++，以及针对室外点云的KPConv和RandLA-Net。这些方法在捕捉局部和全局信息方面各有优缺点，其中，RandLA-Net通过随机采样和Local spatial encoding实现了高效处理大规模点云数据。
本次将会给大家带来一个简单的关于点云分割的survey分享。首先什么是点云，点云是激光雷达产生的离散数据，具备稀疏性、无序性、尺度不变性等特性。
什么是点云分割，点云分割其实是为了给每个点打上语义标签，整个任务对于自动驾驶、机器人、AR\VR都特别重要，可以用来去噪、地面检测等等。
点云分割的挑战性
1. 点数过多，尤其是对于自动驾驶的场景，整体的点数可能超过10W；
2. 稀疏性，需要设计一系列的算法去应对点云的稀疏性，相比于图像数据，需要设计高效的算法去处理稀疏的点云数据；
3. 无序性。
一个好的点云网络应该能够考虑到这几个特性。
接下来，我会根据点云的表征方式给大家介绍一些经典的点云分割的paper。
首先根据点云的表征方式可以分为point-based，voxel-based， range-view-based，multi-representation based methods。当前基于transformer的方式我们暂时不介绍。
point-based的方法
1.PointNet: De
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
