Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs
Segmentation Sémantique à Grande Echelle par Graphe de Superpoints
Résumé
We propose a novel deep learning-based framework to tackle the challenge of semantic segmentation of large-scale point clouds of millions of points. We argue that the organization of 3D point clouds as interconnected object parts can be efficiently captured by a structure called superpoint graph (SPG). Our framework sets a new state of the art for segmenting outdoor LiDAR scans (+11.9 and +8.8 mIoU points for both Semantic3D test sets [13]), as well as indoor scans (+12.4 mIoU points for the S3DIS dataset [2]). This is a french translation of the article [25].
Nous proposons dans cet article une méthode pour la seg-mentation sémantique de nuages de millions de points basée sur l'apprentissage profond. Nous introduisons une nouvelle structure pour les nuages de points 3D ap-pelée graphe de superpoints (superpoint graph, ou SPG), capable d'encoder demanì ere compacte l'organisation d'un nuage de points en sous-objets interconnectés. Notre méthode définit un nouveí etat de l'art pour la segmenta-tion sémantique de scans LiDAR aussi bien en extérieur (+11.9 et +8.8 points de mIoU pour les deux ensembles de tests de Semantic3D [13]), ainsi qu'en extérieur (+12.4 points de mIoU pour les acquisitions S3DIS [2]).
Origine | Fichiers produits par l'(les) auteur(s) |
---|
Loading...