基于特征融合和损失优化的点云语义分割网络

来源：计算机技术与发展杂志2024年第05期北京时间：

作者：刘起源;路锦正;黄炳森

摘要：针对目前大多数方法仅利用单尺度特征而忽视了具有不同感受野的多尺度特征信息、无法有效处理点云数据集中类别权重不平衡的问题,提出一种基于全阶段特征融合(FSFF)和平衡损失(BL)的分割网络(FFBL-Net)。 首先,FSFF模块通过将不同编码阶段的可学习特征与当前阶段特征进行融合,促进了浅层和深层语义信息互补;融合后的特征被传递到编码融合模块(EFM)和解码融合模块(DFM),实现了特征的跨阶段融合。 此外,为了解决数据集中类别分布不平衡的问题,引入 BL 损失调整类别间的梯度差异。 实验结果表明,FFBL-Net 在主流的大规模点云数据集 S3DIS 上,平均交并比达到了 69. 7% ,总体准确率达到了 89. 9% 。 与 PointNet++相比,FFBL-Net 分别提升了 12. 4% 和 6. 1% 。

关键词：点云;语义分割;多尺度特征融合;损失优化;神经网络优化