Segmentation sémantique de nuages de points à grande échelle avec des graphes de superpoints

Nous proposons un cadre novateur basé sur l'apprentissage profond pour relever le défi de la segmentation sémantique de nuages de points à grande échelle comprenant des millions de points. Nous soutenons que l'organisation des nuages de points 3D peut être efficacement capturée par une structure appelée graphe de superpoints (SPG), dérivée d'une partition de la scène scannée en éléments géométriquement homogènes. Les SPGs offrent une représentation compacte mais riche des relations contextuelles entre les parties d'objets, qui est ensuite exploitée par un réseau neuronal convolutif sur graphe. Notre cadre établit un nouveau niveau d'excellence pour la segmentation des scans LiDAR extérieurs (+11,9 et +8,8 mIoU points pour les deux ensembles de tests Semantic3D) ainsi que pour les scans intérieurs (+12,4 mIoU points pour le jeu de données S3DIS).