激光雷达点云分割

1.点云分割主流方案（模型角度）

(a) 基于RGB-D图像，双通道网络分别对RGB图像和深度图像提取特征
(b) 基于投影图像，2D卷积三维场景/形状投影图像的特征，融合这些特征进行标签预测
(©) 基于体素(像素划分网格)，类似于二阶段目标检测操作，寻找proposal体素进行预测
(d) 基于点云，核心是MLP对点云升维在保证平移不变性的情况下保留/提取点云特征，直接对点云预测
(e) 基于mesh(三维网格)……
abd是近年较为主流的方案

1.1 (a) 基于RGB-D图像

双通道网络分别对RGB图像和深度图像提取特征

1.2 (d) 基于点云

核心是MLP对点云升维在保证平移不变性的情况下保留/提取点云特征，直接对点云预测

1.3 (b) 基于投影图像

2D卷积三维场景/形状投影图像的特征，融合这些特征进行标签预测

1.4 (b) 基于投影图像 - SqueezeSeg/RangeNet

算法流程：
A: 球映射（Spherical projection）
相同

B: 语义分割（Segmentation）
RangeNet可用SqueezeSeg相同backbone
也可用darknet作为backbone

C: 点云重建（Point cloud reconstruction）
相同

D: 点云后处理（Post-processing）
RangeNet通过KNN search 修正结果

1.4. 球映射

球坐标系
映射算法

2 点云分割主流方案（部署角度）

RangeNet++：推理效率高，部署效率高（TensorRT，已初步走通流程）
SqueezeSeg：推理效率高，无开源部署方案（未测试）
PointNet++：推理效率低，部署效率低（LibTorch/TensorRT，未测试）
*目前只对RangeNet++和PointNet++做了初步测试，还未做各个网络的详细测试，预研阶段性结论

3 点云分割常用指标

4 点云分割主要实现方式/常用trick总结

5 点云分割常用数据集

6 点云分割主要问题