DANet：结合密度与语义自适应的3D点云语义分割卷积网络

《Sensors》：DANet: Joint Density- and Semantics-Adaptive Convolution for 3D Point-Cloud Semantic Segmentation

　　

摘要

当激光雷达或深度相机数据采样不均匀时，3D点云的语义分割仍然面临挑战。本文提出了DANet，这是一种基于密度与语义自适应卷积的3D语义分割框架。其核心操作符——密度自适应半径卷积（DAR-Conv），通过结合密度驱动的初始化与语义感知的调制，在特征聚合之前预测逐点邻域半径。这样一来，密集区域可以使用较小的感受野，而稀疏或语义复杂的区域则可以借助更广泛的上下文支持。DANet还包含一个门控自适应跨层融合（GACF）模块，该模块可对编码器与解码器的特征进行对齐，并通过残差细化实现门控融合。在S3DIS和NPM3D上的实验表明，DANet在S3DIS上获得了所有对比方法中最高的平均精度（mAcc），而在NPM3D上则展现了较高的平均交并比（mIoU）和整体精度（OA），这充分证明了基于密度与语义感知的感受野调整方法的有效性。