点云语义分割：RandLA-Net解读

3D点云分割是理解场景结构的关键任务，主要分为语义分割、实例分割和部件分割三类。传统方法包括基于区域生长的平面分割（适用于平面检测）和欧式聚类分割（用于物体级分割）。深度学习方法中，PointNet通过逐点特征提取实现语义分割，但缺乏局部上下文；PointNet++通过层次化采样改进局部特征；PointCNN则利用χ-Transform实现高效卷积。实例分割方面，3D-BoNet直接预测实例框和掩码，而PointRCNN采用两阶段方法。部件分割则可通过DGCNN的动态图卷积捕捉局部几何特征。这些方法在代码实

使用RandLANet将近一个月了，打算在这里记录一下RanLANet进行语义分割的整个流程，这个系列的博客将以Sematic3D数据集为例，结果源码记录一下各个步骤具体操作过程。 tf1.x版RandLA-Net源码解读(1):数据预处理 tf1.x版RandLA-Net源码解读(2):Dataset tf1.x版RandLA-Net源码解读(3):网络结构 tf1.x版RandLA-Net源码解读(4):模型训练 tf1.x版RandLA-Net源码解读(5):测试 ...

具体而言，将球面划分成多个小区域，然后将每个小区域内的点云提取出来作为一个块，这样就将点云划分成了多个块，每个块都包含局部的点云信息。具体而言，将点云投影到一个球面上，并在球面上均匀采样，然后将采样点映射回原始点云空间，得到重采样后的点云数据。具体而言，对于每个块内的点云，首先通过球面卷积操作获取每个点的局部表面特征，然后将这些特征进行汇聚，得到块级别的特征表示。通过加载点云数据、点云重采样、点云划分和特征提取，可以将原始的点云数据转换为网络可接受的格式，并为后续的点云分割任务提供了高效的输入。

前言 以运行S3DIS数据集为例. 该文章不是运行指南，仅为阅读源码的笔记。 数据准备 下载数据集解压到/data/S3DIS/Stanford3dDataset_v1.2_Aligned_Version文件夹中。 Stanford3dDataset_v1.2_Aligned_Version文件夹中包含多个Area_*（区域）文件夹。 每个Area（区域）文件夹中包含多个场景文件夹。 每个场景文件夹（以Area_1\conferenceRoom_1为例）中主要包含一个场景点云文件conferenceRo

论文：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 代码：Github 记录一下RandLANet代码的阅读笔记，如有出错欢迎讨论。 一、RandLA-Net网络结构 下图这个是本地聚合模块 网络架构的详细信息。整个网络就是由本地聚合模块堆叠而成的。 二、项目结构 整个项目文件非常简洁。 ...

然而，处理大规模点云数据的挑战一直存在，因为点云结构复杂，具有不规则性和高维特征。针对这些问题，研究者们提出了许多方法，其中RandLA-Net是最新的一种高效准确的点云语义分割神经网络。具体而言，针对每个点，网络会计算该点与不同尺度特征的相似度，并根据相似度分配不同权重，从而实现多尺度特征的有效融合。总结起来，RandLA-Net通过新颖的采样策略、特征学习模块和多尺度信息融合策略，提供了一种高效准确的点云语义分割解决方案。它在大规模点云数据上具有良好的性能，并能够适应不规则的点云结构。

论文地址: 一、前言 主要分析RandLA-Net的不足 二、Bilateral Context Module 2.1、Bilateral Context block 2.1.1、Bilateral Augmentation 2.1.2、Mixed Local Aggregation 三、Adaptive Fusion Module

一、PointNet 1.1、论文解读 1.2、公开数据集测试 1.3、源码解读 二、PointNet++ 2.1、论文解读 2.2、公开数据集测试 2.3、源码解读 三、KPConv 3.1、论文解读 点云语义分割:KPConv解读-更新中 3.2、公开数据集测试 S3DIS测试:点云语义分割:KPConv训练S3DIS数据集 Semantic3D测试:在tensorflow2.0环境下使用KPConv训练Semantic3D数据集 3.3、源码解读 源码阅读:KPConv之Dataset类 源码阅读:K

点云语义分割是计算机视觉领域中的重要任务之一，其旨在将点云数据中的每个点进行分类，以实现对三维环境的语义理解。RandLANet（Random Sampled PointNet）是近年来提出的一种基于深度学习的点云语义分割方法，相较于传统方法，RandLANet能够更好地处理不规则的点云数据，并获得更准确的语义分割结果。RandLANet是一种高效且准确的点云语义分割方法，能够在处理不规则的点云数据时取得良好的效果。随机采样：首先，对输入的点云数据进行随机采样，以获取局部区域的点云子集。

这一步是介绍如何获取一个batch的点云数据送入模型训练

如果使用训练好的模型进行测试

RandLA-Net: 大规模点云的高效语义分割(CVPR 2020) 牛津大学 论文：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 代码：Github 相关网站 深蓝学院 基于三维点云场景的语义及实例分割 https://www.bilibili.com/video/BV1aE411T7Gf -Introduction to point cloud segmentation -RandLA-Net: Eff

下采样、生成kdtree、生成投影文件

语义分割任务是计算机视觉里的一个比较基础的任务，其相比于物体检测任务主要有以下几个优点：输出的结果是稠密的，是针对于所有像素点的K分类问题，物体检测任务只输出前景类物体的信息忽略了背景点的信息在自动驾驶任务中可以实现可行驶区域的识别，大部分区域都是以背景的形式存在，而这些背景同样是非行驶区域可以输出非常精细的结果，物体检测由于输出都是刚性的矛框，对于一些精细的任务无法达到要求语义分割 : 对图片的每个像素点进行分类eg: 人 、车辆 、道路 、建筑物等。

RandLA-Net论文理解 论文下载 代码下载 概述 论文针对大规模室外点云语义分割提出两个想法： 1.分析了一些降采样方法，认为随机采样从效率和可行性上更适合大规模点云的采样 2.为了对抗随机采样带来的关键信息丢失问题，提出局部特征采样器 随机采样 最重要的是由于随机采样的计算复杂度为O(1)，所以与输入点的总数无关。总的来说，FPS、IDIS和GS在计算上太昂贵，无法应用于大规模点云。CRS方法的内存占用过大，PGS 很难学习。相比之下，随机采样有两个优点： 1)它具有显著的计算效率，因为它与输入点的

文章目录数据预处理dataset RandLa-Net是新提出来的针对大场景语义分割的方法，效果拔群。我对该文章的解读可以看我另外一篇博客，论文作者给出的代码是TensorFlow版本的。 接下来，我们就看一下这个代码都做了什么操作。以SemanticKitti为例。 数据预处理 # utils/data_prepare-semantickitti.py # line 42-50 points = DP.load_pc_kitti(join(pc_path, scan_id)) labels = DP.l