Stanford large-scale 3D Indoor Spaces Dataset (S3DIS)

PointCNN：X变换点上的卷积 由，步锐，孙明超，吴伟，辛欣han和。 介绍 PointCNN是用于从点云进行特征学习的简单通用框架，它刷新了点云处理中的五个基准记录（截至2018年1月23日），包括： ModelNet40的分类精度（ 91.7％ ，仅具有1024个输入点） ScanNet上的分类准确性（ 77.9％ ） ShapeNet零件上的细分零件平均IoU（ 86.13％ ） S3DIS上的平均IoU分割（ 65.39％ ） ScanNet上每个体素标签的准确性（ 85.

3d点云公开数据集

针对三维点云语义分割中缺乏结合点云的上下文细粒度信息导致的欠分割问题，提出一种基于上下文注意力卷积神经网络的三维点云语义分割算法。首先，通过注意力编码机制挖掘点云的局部区域内细粒度特征；然后，通过上下文循环神经网络编码机制捕捉多尺度局部区域之间的上下文特征，且与细粒度局部特征相互补偿；最后，采用多头部机制增强网络的泛化能力。实验结果表明，所提算法在ShapeNet Parts、S3DIS和vKITTI标准数据集上的平均交并比分别为85.4%、56.7%和38.1%，分割性能良好，且具有较好的泛化