二【3D点云】分割算法总结( 三 ) _云数据

c. 尽管在建筑物分组阶段，本文已经得到了每个建筑物前景点的初始建筑物实例预测标签，但这些预测标签会出现冗余的情况。这是因为在建筑物实例候选选择阶段，本文为了避免对建筑物的遗漏设置了大量的建筑实例候选点采样。这种做法虽然能覆盖场景中的建筑物，但是也会大概率使得同一个建筑物上分布着多个建筑物候选点。经过了建筑物分组操作后会出现同一个建筑物会具有多个不同建筑物实例预测标签的情况。为了解决这个问题，本文提出了一个建筑物合并子模块将属于同一个建筑物上的所有建筑物实例预测标签进行合并。先使用了在中心偏移分支网络预测的建筑物实例中心偏移向量 O 将 K 个建筑物实例候选点进行偏移，使得它们朝着对应的建筑物实例中心移动。建筑物实例候选点在经过了中心偏移之后，会分别聚集在对应建筑物的中心附近区域，从而完成后续的合并；
d. 由于语义预测错误、建筑物候选点错误选择、中心偏移预测错误等原因，本文的建筑物实例候选生成模块难以避免地会产生一些错误、无效的建筑物实例预测。为了解决这种问题，引入了实例得分预测网络，用于对生成的建筑物实例预测进行质量评估与错误过滤。得分预测网络结构与本文的骨干网络类似，是具有两层对称结构的三维子流形稀疏卷积U-Net网络，为每一个建筑物实例输出一个建筑物评价得分，该得分衡量了生成的建筑物实例的质量好坏。
根据上的设置不同，主要可分为几种不同的基准测试方式，包括全部场景的基准测试、交叉场景的基准测试以及单一场景的基准测试，每种不同的测试方法可根据需要具体选择。
可提供图像、点云以及三角网格等多种不同格式的数据下载。项目主页下载数据，支持与百度云网盘两种下载方式。对于图像和三角网格数据，提供了申请下载的方式。

二 【3D点云】分割算法总结( 三 )

二【3D点云】分割算法总结( 三 )