- 论文题目：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
- 发布期刊：CVPR
- 作者地址：1牛津大学、2中山大学、3国防科学技术大学
- 代码地址：https://github.com/QingyongHu/RandLA-Net
介绍
这篇论文题为《RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds》，研究了大规模3D点云高效语义分割的问题。当前的许多方法依赖于复杂的采样技术或计算量大、内存消耗高的预处理和后处理步骤，因此只能处理小规模的点云数据。为了应对这一挑战，作者提出了一种新的轻量级神经网络架构RandLA-Net，能够直接处理大规模点云，进行逐点的语义推断。
RandLA-Net的关键创新在于采用随机点采样（Random Point Sampling），而不是复杂的点选择方法。尽管随机采样在计算和内存效率上有明显优势，但可能会随机丢弃重要的特征。为此，作者引入了一种新的局部特征聚
