首页|改进RangeNet++损失函数的车载点云小目标语义分割方法

改进RangeNet++损失函数的车载点云小目标语义分割方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
针对道路场景点云全语义分割对行人等重要移动小目标实时分割效果差的问题,提出一种基于RangeNet++深度神经网络并对损失函数进行优化改进的小目标语义分割方法.首先对原本使用交叉熵损失函数的RangeNet++网络进行改进;然后采用Focal Loss损失函数调节稀少但重要的移动小目标的权重,能在卷积层数更少的DarkNet21特征提取网络下,通过少次训练就能提高行人等重要移动小目标类别的检测和分割精度.在SemanticKITTI数据集上的实验表明,与原有的RangeNet++相比,该方法使用的backbone卷积层数和网络训练次数都更少,但对移动小目标的语义分割达到了更高的准确率和精度.
A Semantic Segmentation Method of In-Vehicle Small Targets Point Cloud Based on Improved RangeNet++ Loss Function

张硕、叶勤、史婧、刘行

展开 >

同济大学测绘与地理信息学院 上海 200092

自然资源部城市国土资源监测与仿真重点实验室 深圳 518034

车载点云 移动小目标 损失函数 实时语义分割

国家自然科学基金自然资源部城市国土资源监测与仿真重点实验室开放基金资助课题

41771480KF-2019-04-015

2021

10.3724/SP.J.1089.2021.18581

计算机辅助设计与图形学学报
中国计算机学会

计算机辅助设计与图形学学报

CSTPCDCSCD北大核心
影响因子：0.892
ISSN：1003-9775
年,卷(期)：2021.33(5)
  • 6
  • 3