摘要
我们提出了一种基于深度学习的新框架，以应对大规模点云（包含数百万个点）的语义分割挑战。我们认为，通过将扫描场景划分为几何均匀的元素，可以高效地捕捉3D点云的组织结构，这种结构被称为超点图（Superpoint Graph, SPG）。超点图提供了一种紧凑而丰富的表示方法，能够描述物体部分之间的上下文关系，这些关系随后被图卷积网络所利用。我们的框架在室外LiDAR扫描的语义分割方面达到了新的技术水平（Semantic3D测试集的mIoU分别提高了11.9和8.8个百分点），同时在室内扫描方面也取得了显著进展（S3DIS数据集的mIoU提高了12.4个百分点）。