Großflächige Semantische Segmentierung von Punktwolken mit Superpunktgraphen

Wir schlagen einen neuen tiefen Lern-basierten Rahmen vor, um die Herausforderung der semantischen Segmentierung von großformatigen Punktwolken mit Millionen von Punkten zu bewältigen. Wir argumentieren, dass die Strukturierung von 3D-Punktwolken durch eine Struktur namens Superpunkt-Graph (SPG) effizient erfasst werden kann, die aus einer Partition des gescannten Szenarios in geometrisch homogene Elemente abgeleitet wird. SPGs bieten eine kompakte, aber reichhaltige Darstellung kontextueller Beziehungen zwischen Objektteilen, die dann von einem Graphenkonvolutionnetzwerk genutzt wird. Unser Rahmen setzt einen neuen Stand der Technik für die Segmentierung von außen erzeugter LiDAR-Scans (+11,9 und +8,8 mIoU-Punkte für beide Semantic3D-Testsets) sowie für innen erzeugte Scans (+12,4 mIoU-Punkte für den S3DIS-Datensatz).