摘要
室内建筑结构点云语义分割作为室内场景理解的核心方法已经成为近年来的研究热点。精准的点云语义分割是室内导航、三维重建、机器人巡检等领域的关键技术，具有重要的科学和应用价值。目前的点云语义分割网络过度关注局部特征的提取，而忽略了多尺度信息、全局信息和长程依赖关系的影响，本文围绕室内建筑结构点云语义分割中局部特征和多尺度信息的关系、局部特征和全局特征的关系、长程依赖关系进行了深入研究，提出一种端到端的室内建筑结构点云语义分割网络CGIBS-Net,包括以下三部分内容: (1)针对边缘点的特征编码通常包含多个类别的语义信息而导致对象轮廓分割不准确的问题，本文设计了一个局部感知分支(LPB)并将该分支加入到多尺度上下文融合模块中，该模块可以在多尺度环境下较好地学习和感知点云的局部结构，从而更加细粒度地感知点云的局部特征。 (2)针对现有算法多关注点云局部编码结构的优化，而对全局信息关注不足的问题，本文提出了一种综合考虑局部和全局特征提取的双通道交叉分组自注意力机制(CGSA),CGSA能够同时处理点云的特征信息和位置方向信息，且所有信息都被有选择性地相互增强。 (3)针对两个相同语义类别的物体在空间上相距很远而导致的预测不准确问题，本文在解码器中设计了一种自学习权重的空间-通道注意力机制融合(S-C)模块。S-C可以有效捕捉长程依赖关系，两个互补的注意力模块使得无论相似特征的距离有多远，它们都是彼此关联的。 与PointNet++模型相比，本文模型在S3DIS数据集上采用6折交叉验证得到的总体精度oAcc提高了6.9％,平均类别精度mAcc提高了9.4％,平均类别交并比mIoU提高了7.8％;与CSANet模型相比，本文模型在S3DIS数据集上的oAcc、mAcc和mIoU三项指标分别提高了3.5％,2.4％和5.1％。
NETL