공간 직렬화를 기반으로 한 효율적인 실내 점군 의미 분할 방법

CHEN Mingtao ,  

WANG Haoting ,  

SHANG Yanfei ,  

ZHANG Pengbo ,  

CHEN Hui ,  

摘要

대규모 실내 희소 점군에서 직면하는 전역 구조 모델링 부족과 기하학적 세부 유지 미흡 문제를 해결하고, 다양한 장면에 직접 적용할 수 없는 문제에 대응하기 위해, 본 논문은 공간 점 채우기 직렬화(SPFS)와 기하학 인지 채널 전파(GCP)를 융합한 새로운 네트워크 구조를 제안한다. SPFS 모듈은 적응형 공간 채우기 곡선을 통해 이웃 점의 순서 배열을 구현하여 방향 관계와 공간 인접성을 명시적으로 보존함으로써 전역 구조 모델링 능력을 향상시키고 명시적 좌표 의존도를 감소시킨다. GCP 모듈은 점 간 기하학적 관계를 활용하여 채널 특징의 가중치 상호작용 및 잔차 융합을 유도하여 복잡한 구조 및 경계 영역에 대한 판별 능력을 효과적으로 강화한다. 실험 결과, 본 방법은 주요 평가 지표에서 모두 우수한 성능을 보였으며, 난이도가 높은 범주 및 소규모 객체에서 특히 뛰어난 성과를 나타냈다. 스탠포드 실내 3D 데이터셋을 대상으로 한 실험을 통해 RandLA-Net 방법과 비교하여 본 방법의 <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula>가 70.0%에서 76.2%로, <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">A</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">c</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula>가 82.4%에서 83.4%로 향상되었음을 확인하였다. 본 연구는 추론 효율과 메모리 오버헤드를 유지하면서 대규모 점군의 효율적이고 고정밀 의미 분할을 위한 확장 가능한 솔루션을 제공한다.

关键词

점군 의미 분할; 공간 직렬화; 기하학 인식; 3차원 장면 이해

阅读全文

以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website