点云语义分割作为三维场景理解的重要任务之一,在智慧城市、智能化测绘等领域具有重要的应用价值。然而,现有分割网络在应对复杂城市场景时,易出现空间关系建模不准确、多尺度语义提取不充分等问题。因此,提出一种融合空间感知与多尺度...点云语义分割作为三维场景理解的重要任务之一,在智慧城市、智能化测绘等领域具有重要的应用价值。然而,现有分割网络在应对复杂城市场景时,易出现空间关系建模不准确、多尺度语义提取不充分等问题。因此,提出一种融合空间感知与多尺度特征的城市级点云语义分割方法LoGNet(local and global network)。通过联合编码点云的几何坐标、颜色属性与上下文语义关系,提升对地物形态差异、光谱特征与空间关联的表达能力;将可学习的空间距离权重与语义相似度共同引入邻域建模,实现基于结构特征与外观属性的精细聚合;构建轻量级的局部–全局双路径特征融合框架,通过点维度与通道维度的全局特征生成方式,强化跨尺度语义一致性与边界解析能力。在Toronto-3D、SensatUrban、STPLS3D公开数据集,与已有常用方法的比较实验表明:LoGNet在三个公开数据集的总体精度分别达97.5%、94.3%、75.0%,均表现最优;在SensatUrban数据集,相较于基线模型,LoGNet的OA、m IoU分别提升了4.5%、10%,在建筑、铁轨、马路等中大型结构性类别,取得了最高得分;对识别极小目标类别,也有显著优势。展开更多
文摘点云语义分割作为三维场景理解的重要任务之一,在智慧城市、智能化测绘等领域具有重要的应用价值。然而,现有分割网络在应对复杂城市场景时,易出现空间关系建模不准确、多尺度语义提取不充分等问题。因此,提出一种融合空间感知与多尺度特征的城市级点云语义分割方法LoGNet(local and global network)。通过联合编码点云的几何坐标、颜色属性与上下文语义关系,提升对地物形态差异、光谱特征与空间关联的表达能力;将可学习的空间距离权重与语义相似度共同引入邻域建模,实现基于结构特征与外观属性的精细聚合;构建轻量级的局部–全局双路径特征融合框架,通过点维度与通道维度的全局特征生成方式,强化跨尺度语义一致性与边界解析能力。在Toronto-3D、SensatUrban、STPLS3D公开数据集,与已有常用方法的比较实验表明:LoGNet在三个公开数据集的总体精度分别达97.5%、94.3%、75.0%,均表现最优;在SensatUrban数据集,相较于基线模型,LoGNet的OA、m IoU分别提升了4.5%、10%,在建筑、铁轨、马路等中大型结构性类别,取得了最高得分;对识别极小目标类别,也有显著优势。
