点云PCL免费知识星球，点云论文速读。
标题：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
作者：Hu, Qingyong，Yang, Bo，Xie, Linhai，Rosa, Stefano，Guo, Yulan，Wang, Zhihua
来源：CVPR2020 牛津大学、中山大学、国防科技大学
翻译：吉祥街
欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。
论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。
贡献
验证了随机采样在大规模场景点云处理上能够有效的节省时间。
提出了一个有效的基于注意力机制的局部特征聚合模块LAF(Local Feature Attention)，通过逐步增加每个点的感受野来保持复杂的局部结构。
表现sota
特点
端到端训练，不需要额外的预处理和后处理步骤。
直接对点进行操作
实时性增快200x
RandLA-Net
点采样方法
任务描述：从具有N个点的大规模点云P中采样K个点。
启发式采样
基于学习的采样
LFA（Local Feature Attention）：局部特征聚合模块
目的描述：弥补随机采样会造成某些关键特征丢失，提出了一个有效的基于注意力机制的局部特征聚合模块。
局部特征聚合模块由三个神经单元组成：
LocSE（Local Spatial Encoding）：局部空间编码模块
Attentive Pooling：注意力池化
Dilated Residual Block：扩张残差块
LocSE（Local Spatial Encoding）：局部空间编码模块
对输入的点云的三维坐标进行编码。
Attentive Pooling：注意力池化
采用注意力池化，将上层输入的局部邻域点集特征进行聚合。
Dilated Residual Block：扩张残差块
采用两种方式来增大感受野：
1）LocSE + Attentive Pooling
2）跳层连接
红色点在经过一次LA操作后感受野为K个相邻点，经过第二次LA后，感受野为K^2个邻域点。
整体结构
整体采用encoder-decoder结构，并将RS与LFA组合。解码器阶段采用最近邻插值，来提升算法效率。
实验
实验一：验证随机采样的有效性
实验二：验证RandLA-Net的有效性
实验三：基准数据集评估结果
Semantic3D
SemanticKITTI
S3DIS
实验四：消融实验
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D目标检测：MV3D-Net
三维点云分割综述（上）
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
win下使用QT添加VTK插件实现点云可视化GUI
JSNet：3D点云的联合实例和语义分割
大场景三维点云的语义分割综述
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
基于局部凹凸性进行目标分割
基于三维卷积神经网络的点云标记
点云的超体素(SuperVoxel)
基于超点图的大规模点云分割
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享
【开源方案共享】ORB-SLAM3开源啦！
【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM
【点云论文速读】StructSLAM:结构化线特征SLAM
SLAM和AR综述
常用的3D深度相机
AR设备单目视觉惯导SLAM算法综述与评价
SLAM综述(4)激光与视觉融合SLAM
Kimera实时重建的语义SLAM系统
SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM
易扩展的SLAM框架-OpenVSLAM
高翔：非结构化道路激光SLAM中的挑战
SLAM综述之Lidar SLAM
基于鱼眼相机的SLAM方法介绍
往期线上分享录播汇总
第一期B站录播之三维模型检索技术
第二期B站录播之深度学习在3D场景中的应用
第三期B站录播之CMake进阶学习
第四期B站录播之点云物体及六自由度姿态估计
第五期B站录播之点云深度学习语义分割拓展
第六期B站录播之Pointnetlk解读
[线上分享录播]点云配准概述及其在激光SLAM中的应用
[线上分享录播]cloudcompare插件开发
[线上分享录播]基于点云数据的 Mesh重建与处理
[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享
[线上分享录播]地面点云配准与机载点云航带平差
点云PCL更多活动请查看：点云PCL活动之应届生校招群
扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作方式：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶
