基于多尺度特征融合与实例优化的三维点云语义分割OA
三维点云语义分割是实现自动驾驶、移动机器人与增强现实场景理解的重要任务。现有的很多方法常依赖纵向深层网络堆叠,存在参数量庞大、深层特征易丢失局部几何细节、复杂场景边界分割模糊等问题。此外,经典的宽度学习系统(Broad Learning System,BLS)在三维密集预测任务中的应用尚显不足,而且语义分支缺乏实例级几何先验的有效引导。针对以上问题,本文提出一种基于多尺度融合与实例优化的三维点云语义分割网络。首先,构建了一种基于宽度学习的多尺度融合模块,利用其横向扩展特性与非线性节点映射机制去实现跨尺度几何和语义特征的高效深度融合,在仅仅增加了约13.5×10~6参数的情况下显著地缓解了深层网络的信息衰减问题。其次,从多尺度特征中提取了实例优化语义子模块,构建了几何一致性引导的置信度加权策略,利用实例嵌入向量的类内方差生成了边界注意力掩码,对语义特征进行自适应的修正,有效地抑制了背景噪声并锐化类别交界区域。在S3DIS数据集上进行的一系列实验表明,该方法在mIoU指标上达到了62.6%,较主流轻量级网络提升了6.5%。消融实验与可视化分析更是进一步验证了多尺度融合与实例优化模块的独立贡献与协同增效作用。本文的工作方法为资源受限平台上的实时三维场景识别提供了更高效、可部署的技术支撑。
闫天聪;严子辉
北方工业大学人工智能与计算机学院,北京100144中国电子学会,北京100036
信息技术与安全科学
三维点云语义分割宽度学习系统轻量化网络
《新一代信息技术》 2026 (6)
P.62-67,6
北京市自然科学基金(No.L253018)。
评论