.png){kind=icon}
返回
DANet: Joint Density- and Semantics-Adaptive Convolution for 3D Point-Cloud Semantic Segmentation
.png){kind=icon}
OA
AI
DOI：10.3390/s26144561.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当LiDAR或深度相机数据采样不均匀时，3D点云的语义分割仍然具有挑战性。本文提出DANet，一种基于联合密度和语义自适应卷积的3D语义分割框架。其核心算子密度自适应半径卷积（DAR-Conv）在特征聚合前通过结合密度驱动初始化和语义感知调制来预测点级邻域半径。通过这种方式，密集区域可以使用紧凑的感受野，而稀疏或语义复杂的区域则可以利用更广泛的上下文支持。DANet还包括一个门控自适应跨层融合（GACF）模块，该模块对齐编码器-解码器特征并执行带残差精炼的门控融合。在S3DIS和NPM3D上的实验表明，DANet在S3DIS上获得了比较方法中报告的最高平均准确率（mAcc），并在NPM3D上获得了较高的平均交并比（mIoU）和总体准确率（OA），支持了密度和语义感知感受野适应的有用性。
Keyword:
3D point-cloud semantic segmentation
LiDAR
depth sensing
adaptive convolution
non-uniform sampling
3D perception
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Deep Learning on 3D Semantic Segmentation: A Detailed Review深度学习在3D语义分割中的应用：详细综述.png)
REMOTE SENSINGOAAI
REMOTE SENSINGIF4.1
OAAI分享收藏Three-Dimensional Point Cloud Applications, Datasets, and Compression Methodologies for Remote Sensing: A Meta-Survey遥感的三维点云应用，数据集和压缩方法: 元调查SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏MS-RRFSegNet: Multiscale Regional Relation Feature Segmentation Network for Semantic Segmentation of Urban Scene Point CloudsMs-rrfsegnet: 用于城市场景点云语义分割的多尺度区域关系特征分割网络
PREAI
分享收藏
查看更多内容