点云语义分割:BAAF-Net解读

GHZhao_GIS_RS

已于 2022-03-02 14:46:43 修改

阅读量3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：点云深度学习文章标签：深度学习点云语义分割 BAAF-Net

于 2021-10-29 15:47:42 首次发布

本文链接：https://blog.youkuaiyun.com/u014311125/article/details/121010686

点云同时被 2 个专栏收录

59 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

深度学习

48 篇文章

订阅专栏

BAAF-Net是一种用于点云语义分割的深度学习方法，其核心是双边上下文组件（Bilateral Context Module）和自适应融合模块。组件通过双边聚合增强局部上下文信息，并利用增强损失保持几何形状完整。混合局部聚合策略解决了非参数对称函数的局限。解码器通过自适应融合模块结合不同尺度特征，生成综合特征图用于语义分割。

文章目录

论文地址:Semantic Segmentation for Real Point Cloud Scenes
via Bilateral Augmentation and Adaptive Fusion

一、本文贡献

使用双边结构增加点的局部上下文信息。
自适应融合多分辨率特征。
提了了一种新的点云语义分割网络。

二、双边上下文组件(Bilateral Context Module)

双边上下文组件由多个双边上下文模块(Bilateral Context Block)组成。我们先来看一个BCB的内部结构，一个BCB由双边聚合（Bilateral Augmentation）和混合局部聚合（Mixed Local Aggregation）组成，如下图：

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

GHZhao_GIS_RS

关注关注

1
点赞
踩
12

收藏

觉得还不错? 一键收藏
10
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

点云语义分割：解析BAAF-Net

CodeWOW的博客

09-23

416

它通过自适应地学习点云数据的特征权重，实现对不同尺度和分辨率的点云数据的有效融合。通过融合边界框信息和自适应特征融合机制，BAAF-Net能够准确地将点云数据中的每个点分配到正确的语义类别中。BAAF-Net是一种用于点云语义分割的神经网络模型，其主要目标是准确地将点云数据中的每个点分配到正确的语义类别中。该网络结构基于深度学习技术，通过融合边界框信息和自适应特征融合模块，实现对点云数据的有效处理。在使用BAAF-Net进行点云语义分割时，需要将点云数据和对应的边界框信息作为输入。

点云语义分割大合集-持续更新中

zhaoguanhua的博客

10-26

3930

一、PointNet 1.1、论文解读 1.2、公开数据集测试 1.3、源码解读二、PointNet++ 2.1、论文解读 2.2、公开数据集测试 2.3、源码解读三、KPConv 3.1、论文解读点云语义分割:KPConv解读-更新中 3.2、公开数据集测试 S3DIS测试:点云语义分割:KPConv训练S3DIS数据集 Semantic3D测试:在tensorflow2.0环境下使用KPConv训练Semantic3D数据集 3.3、源码解读源码阅读:KPConv之Dataset类源码阅读:K

10 条评论您还未登录，请先登录后发表或查看评论

点云数据的语义分割算法综述总结大全（传统方法+基于深度学习的方法）

Mluoo的博客

01-19

1万+

近些年基于深度学习的点云语义分割研究开始被广泛关注，并取得了极大的进展。我围绕点云数据的语义分割，从传统方法和基于深度学习方法两方面，来对近些年点云语义分割的研究做出系统的归纳和总结。因此恬不知耻的取名未——点云数据的语义分割算法综述总结大全（传统方法+基于深度学习的方法）哈哈哈哈。

三维点云语义分割总览

点云PCL

09-23

6868

点云PCL免费知识星球，点云论文速读。标题：三维点云语义分割总览作者：吉祥街欢迎各位加入免费知识星球，获取PDF文档，欢迎转发朋友圈，分享快乐。希望有更多的小伙伴能够加入我们，一起开启论...

3D点云语义分割篇——PointNet++

weixin_42371376的博客

07-12

8901

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space Charles R. QiLi Yi Hao SuLeonidas J. Guibas Stanford University 上一篇文章介绍了PointNet以及相应的pytorch代码实现，在S3DIS数据集上完成了语义分割任务，这种直接处理无序点云的方式，和传统的基于人...

点云语义分割标注工具-semantic-segmentation-editor

qq_43049432的博客

08-13

1万+

semantic-segmentation-editor点云标注工具的安装与使用1.软件的安装2.软件功能界面介绍3.标注后数据介绍该软件可标注2D图片（png，jpg等）与点云数据（pcd）不说废话，直接上干货！！！ 1.软件的安装 (1)下载后随便你解压到那个文件夹下(软件github地址) (2)在终端中运行： curl https://install.meteor.co...

基于PointNet / PointNet++深度学习模型的激光点云语义分割

不要仅为成功而努力，要为做一个有价值的人而努力

06-14

3830

本文记录了PointNet/PointNet++点云语义分割深度学习模型应用于电力档段场景的学习实践过程，同时提交了改进后项目代码文件（项目代码逐行注释解析）

BAAF-Net源码阅读

zhaoguanhua的博客

12-16

2196

BAAF-Net代码是基于RandLANet编写的，所以在数据预处理和训练策略是基本是一致的，这里我们只介绍一下BAAF-Net的网络结构。

从零训练BAAF-Net：Semantic3D点云语义分割实战指南

热门推荐

DayDayUp

09-05

7万+

概念点云分割（point cloud segmentation）根据空间、几何和纹理等特征点进行划分，同一划分内的点云拥有相似的特征。点云分割的目的是分块，从而便于单独处理。点云分类（point cloud classification) 为每个点分配一个语义标记。点云的分类是将点云分类到不同的点云集。同一个点云集具有相似或相同的属性，例如地面、树木、人等。也叫做点云语义分割。特征提取单个点或一组点可以根据低级属性检测某种类型的点。 “低级属性”是指没有语义（例如，位置，高.

厉害了，3D点云语义分割

Appen_China的博客

07-21

3904

随着自动驾驶技术发展驶入快车道，3D传感器的使用正在变得越来越普遍。常见的3D传感器包括激光雷达、毫米波雷达、深度相机、3D扫描仪等，它们可以从现实世界中获取物体和环境的几何、形状和比例信息，帮助AI理解现实环境。 3D传感器的扫描数据通常以3D点云的形式保存每个点的信息，包括三维坐标、反射率、尺寸等。如何从3D点云中获取有用的信息，是人工智能的重要研究领域。澳鹏Appen中国研发中心融汇全球经验、针对本土行业特点自主研发的人工智能辅助数据标注平台，集成了为多样场景定制的标注工具箱。其中，3D点云语义分割

pointnet分割自己的点云数据_三维深度学习中的目标分类与语义分割

weixin_39661405的博客

11-21

807

原创声明：本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不能用于商业目的。其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。书的购买链接书的勘误，优化，源代码资源在过去的几年中，基于RGB的深度学习已经在目标分类与语义分割方面取得了非常好的效果，也促进了很多技术的发展，深度学习在现实生活中的应用也越来...

点云显示与语义分割

weixin_30278311的博客

07-11

313

http://buildingparser.stanford.edu/dataset.html 转载于:https://www.cnblogs.com/yhlx125/p/11172236.html

ECCV2022 | 激光雷达点云的开放世界语义分割

CV_Autobot的博客

09-12

1396

点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【领域综述】获取自动驾驶全栈近80篇综述论文！论文链接：https://arxiv.org/abs/2207.01452代码链接：https://github.com/Jun-CEN/Open_world_3D_semantic_segmentation论文方法三维激光雷达传感器在自主车辆感知...

【CVPR2020】RandLA-Net：大规模点云的高效语义分割

weixin_44378835的博客

07-17

6022

深度神经网络对点云进行处理不可避免地需要在保证不丢失有用的点特征的前提下对这些点进行下采样。而大规模的点云跨度可达数百米，包含数百万个点，采样的时间和空间复杂度都较高。这篇论文 * 分析并比较了现有的点云采样方法，得出随机采样(Random Sampling)是最适合大规模点集这一结论。 * 设计了一个局部特征聚合器(Local Feature Aggregation)，它通过逐步增加每个点的感受野来避免随机采样导致的特征丢失。 ...............

（2021，多原型网络）少样本3D点云语义分割

qq_44681809的博客

12-19

3068

为了缓和难以获取的labelled data的限制以及提升泛化性能，本文提出基于attention的多原型直推式few-shot点云语义分割。特别地，每一个类别由多个原型表示，从而建模labeled points的复杂分布。然后使用label propagation来探索labeled多原型与unlabeled点的关系，以及unlabeled点之间的关系。然后，设计了一个基于attention的多层特征学习网络，用于学习鉴别特征。这些特征包含了点之间的几何依赖性以及语义相关性。

是否有开源社区提供的 TensorFlow 2 版本的 RandLA-Net 或 BAAF-Net？

07-12

目前开源社区中尚未发现官方维护的支持 TensorFlow 2 的 RandLA-Net 或 BAAF-Net 实现。BAAF-Net 的代码基础源自 RandLA-Net，而 RandLA-Net 最初是基于 TensorFlow 1.x 构建的，因此原始实现并未适配 TensorFlow 2 的运行机制[^1]。在开源社区中，存在一些第三方尝试将 RandLA-Net 迁移到 TensorFlow 2 的项目，但这些项目通常由个人开发者维护，并未经过官方认证或广泛测试。例如，部分开发者通过使用 `tf.compat.v1` 模块来兼容 TensorFlow 1.x 的代码结构，从而在 TensorFlow 2 环境中运行 RandLA-Net 或 BAAF-Net 的模型。这种方式虽然能够在一定程度上运行原始模型，但未能充分利用 TensorFlow 2 的 Eager Execution 和模块化设计优势[^3]。此外，由于 BAAF-Net 在 RandLA-Net 的基础上引入了双边上下文增强和自适应融合模块，这些新增组件的实现也增加了迁移工作的复杂性。若需完整支持 TensorFlow 2，除了替换模型主干中的 API 调用外，还需对下采样、邻域搜索等核心操作进行重构以适配新版本的执行模式[^2]。 ### 示例：使用 `tf.compat.v1` 运行 RandLA-Net/BAAF-Net 代码 ```python import tensorflow as tf # 启用 TensorFlow 1.x 兼容模式 tf.compat.v1.disable_eager_execution() # 定义占位符并构建一个简单的网络层 inputs = tf.compat.v1.placeholder(tf.float32, shape=[None, 64]) dense = tf.keras.layers.Dense(128)(inputs) outputs = tf.nn.relu(dense) with tf.compat.v1.Session() as sess: result = sess.run(outputs, feed_dict={inputs: [[1.0]*64]}) print(result.shape) ```