摘要
为显著提升点云语义分割的性能，本文提出一种构建大规模网络的新方法，并引入一种高效的轻量化技术。首先，设计了一种潜在点特征处理（Latent Point Feature Processing, LPFP）模块，用于连接如PointNet++和Point Transformer等基础网络。该中间模块兼具特征信息传递与真实标签监督的功能。为进一步缓解构建大规模网络所带来的计算成本增加问题，并更好地适应终端部署需求，本文提出一种面向点云语义分割网络的轻量化方法（Point Cloud Lightweighting Network, PCLN），通过迁移大规模网络中的多维特征信息实现网络压缩。具体而言，在大规模网络的不同阶段，有选择性地将点特征的结构信息与注意力机制传递至压缩网络，引导其训练方向与大规模网络保持一致。此外，本文还通过特征采样与聚合策略，有效解决了大规模点云中全局结构信息的表征难题。在多个公开数据集及真实场景数据上的大量实验表明，所提方法能够显著提升各类基础网络的性能，并优于当前最先进的技术水平。