基于SKPConv的点云语义分割方法OA

为解决现有点云语义分割方法在模型复杂度和计算效率之间难以取得平衡,以及ScanNet难以在算力受限的移动设备上部署应用的问题,首先,以室内及室外现实场景为背景,提出一种轻量级的基于壳状的核点卷积SKPConv,并基于SKPConv设计了轻量化点云网络SKPNet。结果表明,在室内数据集和Semantic3D室外数据集上分别取得70.3%和75.4%的高平均交并比(mIoU),且参数量仅为2.1×10^(6),远小于同类模型,有效兼顾了低参数量和高精度。其次,基于SKPConv,进一步提出一种新的基于权重的池化方法(Weight-Pooling),以解决传统池化方法在池化时忽略大量有效信息的问题,兼顾点云网络的轻量化和高效性,并通过进一步实验验证该池化方法的有效性,其在多个模型中均展现出性能优势。