Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Deep Learning Short-Time Interval Passenger Flow Prediction Based on Isomap Algorithm Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

27. Deep Learning on 3D Point Cloud for Semantic Segmentation

verfasst von : Zhihan Ning, Linlin Tang, Shuhan Qi, Yang Liu

Erschienen in: Advances in Smart Vehicular Technology, Transportation, Communication and Applications

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, a method by applying deep learning method onto the point clouds data for semantic segmentation is proposed. Three convolutional neural networks, PointNet, PointNet++, and DGCNN, are replicated, designed, and analyzed. In order to avoid problems introduced by some other methods due to the preprocessing step, here, PointNet, PointNet++, and DGCNN are directly used onto the 3D point cloud. Experiments verified the effect of these neural networks on point clouds for semantic segmentation. Methods based on PointNet and PointNet++ show good results, while DGCNN-based reached state-of-the-art performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Operation with Crossover and Mutation of MPSO Algorithm
Nächstes Kapitel An Improved Arithmetic Optimization Algorithm with a Strategy Balancing Exploration and Exploitation
Literatur
1.
Zhang, X., Liu, J., Shi, Z., Wu, Z., Wang, Z.: Review of deep learning-based semantic segmentation. Laser Optoelectron. Prog. 56(15), 150003 (2019)
2.
Brock, A., Lim, T., Ritchie, J.M., et al.: Generative and discriminative voxel modeling with convolutional neural networks. Comput. Vis. Pattern Recogn. (2016)
3.
Su, H., Maji, S., Kalogerakis, E., et al.: Multi-view convolutional neural networks for 3D shape recognition. In: International Conference on Computer Vision, pp. 945–953 (2015)
4.
Qi, C.R., Su, H., Mo, K., et al.: Pointnet: deep learning on point sets for 3d classification and segmentation. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 652–660 (2017)
5.
Qi, C.R., Yi, L., Su, H., et al.: Pointnet++: deep hierarchical feature learning on point sets in a metric space. In: Advances in Neural Information Processing Systems, pp. 5099–5108 (2017)
6.
Wang, Y., Sun, Y., Liu, Z., et al.: Dynamic graph CNN for learning on point clouds. ACM Trans. Graph. (TOG), 38(5), 146 (2019)
7.
Armeni, I, Sener, O., Zamir, A.R., Jiang, H., Brilakis, I., Fischer, M., Savarese, S.: 3d semantic parsing of large-scale indoor spaces. In: Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, pp. 1534–1543 (2016)
8.
Engelmann, F., et al.: Exploring spatial context for 3D semantic segmentation of point clouds. In: International Conference on Computer Vision, pp. 716–724 (2017)
Metadaten
Titel
Deep Learning on 3D Point Cloud for Semantic Segmentation
verfasst von
Zhihan Ning
Linlin Tang
Shuhan Qi
Yang Liu
Copyright-Jahr
2022
Verlag
Springer Singapore
Buch
Advances in Smart Vehicular Technology, Transportation, Communication and Applications

Print ISBN: 978-981-16-4038-4

Electronic ISBN: 978-981-16-4039-1

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-981-16-4039-1_27

    Premium Partner

    Bildnachweise