基于对比边界学习的超面片Transformer点云分割网络

扫码查看

原文链接

万方数据
维普

中文摘要：为了高效地实现大规模室内点云场景语义分割,针对边界点云的特征信息难以区分、场景点云规模过于庞大而导致其难以直接进行分割网络的有效训练等问题,以超面片为数据表征,结合超面片Transformer模块(SPT)和对比边界学习模块(CBL),提出一种基于对比边界学习的超面片Transformer点云分割网络.针对数据集S3DIS进行训练,实验结果表明,该网络在分割精度上比Dgcnn网络高3.9%,在训练速度方面比SPGraph网络快近100倍,针对大规模室内点云场景分割效果尤为突出.

外文标题：Contrastive boundary learning based Transformer network for point cloud segmentation

外文关键词：

point cloudssemantic segmentationself-attentionsuper-patch Transformercontrastive boundary learning

作者：

章益民

展开 >

作者单位：

浙江理工大学计算机科学与技术学院,浙江杭州 310018

关键词：

点云语义分割自注意力超面片Transformer 对比边界学习

出版年：

2023

DOI：

10.16644/j.cnki.cn33-1094/tp.2023.09.016

计算机时代

浙江省计算技术研究所　浙江省计算机学会

计算机时代

影响因子：0.411

ISSN：1006-8228

年,卷(期)：2023.(9)

参考文献量18