公开(公告)号：CN116229057B

公开(公告)日：2023-10-27

申请号：CN202211659267.2

申请日：2022-12-22

Applicant: 之江实验室

Inventor： 陈红阳 ,  何嘉华 ,  李朝

IPC: G06V10/26 ,  G06V10/20 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于深度学习的三维激光雷达点云语义分割的方法，包括：轻量级深度全卷积神经网络构建；激光雷达原始点云预处理；三维空间特征转换为二维空间特征；训练轻量级深度全卷积神经网络；二维点云语义分割；二维语义标签后处理优化；三维语义标签恢复。本发明还包括一种基于深度学习的三维激光雷达点云语义分割装置。本发明使用了极坐标系变换的方式实现特征降维，利用基于深度学习的轻量级全卷积神经网络CSPRangeNet跨阶段特征融合的特点，不仅保证了分割结果的精确性，还降低了空间消耗，减少了网络特征提取阶段的运算量，大幅提升了分割速率。本发明适用于对实时性要求较高的三维激光雷达点云语义分割。

公开(公告)号：CN116229057A

公开(公告)日：2023-06-06

申请号：CN202211659267.2

申请日：2022-12-22

Applicant: 之江实验室

Inventor： 陈红阳 ,  何嘉华 ,  李朝

IPC: G06V10/26 ,  G06V10/20 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于深度学习的三维激光雷达点云语义分割的方法，包括：轻量级深度全卷积神经网络构建；激光雷达原始点云预处理；三维空间特征转换为二维空间特征；训练轻量级深度全卷积神经网络；二维点云语义分割；二维语义标签后处理优化；三维语义标签恢复。本发明还包括一种基于深度学习的三维激光雷达点云语义分割装置。本发明使用了极坐标系变换的方式实现特征降维，利用基于深度学习的轻量级全卷积神经网络CSPRangeNet跨阶段特征融合的特点，不仅保证了分割结果的精确性，还降低了空间消耗，减少了网络特征提取阶段的运算量，大幅提升了分割速率。本发明适用于对实时性要求较高的三维激光雷达点云语义分割。