电子测量技术

多尺度局部特征融合的弱监督点云语义分割

PDF下载

武佳颖 ¹^,²^,³ , 杨晓文 ¹^,²^,³ , 韩燮 ¹^,²^,³ , 韩慧妍 ¹^,²^,³ , 张元 ¹^,²^,³ , 赵融 ¹^,²^,³

电子测量技术 | 信息技术及图像处理 2026,49(6): 167-176

收起

电子测量技术 | 信息技术及图像处理 2026, 49(6): 167-176

多尺度局部特征融合的弱监督点云语义分割

全屏

武佳颖¹^,²^,³, 杨晓文¹^,²^,³, 韩燮¹^,²^,³, 韩慧妍¹^,²^,³, 张元¹^,²^,³, 赵融¹^,²^,³

作者信息

^1．中北大学计算机科学与技术学院太原 030051

^2．机器视觉与虚拟现实山西省重点实验室太原 030051

^3．山西省视觉信息处理及智能机器人工程研究中心太原 030051

武佳颖，硕士研究生，主要研究方向为点云语义分割。E-mail: wujiaying0316@163.com

韩燮，教授，博士，主要研究方向为计算机视觉、人工智能。E-mail: hanxie@nuc.edu.cn

韩慧妍，副教授，博士，主要研究方向为计算机视觉、人工智能。E-mail: hhy980344@163.com

张元，副教授，硕士，主要研究方向为计算机视觉、人工智能。E-mail: zhangyuan@nuc.edu.cn

赵融，讲师，博士，主要研究方向为计算机视觉、人工智能。E-mail: 20240008@nuc.edu.cn

通讯作者:

杨晓文（通信作者），副教授，博士，主要研究方向为计算机视觉、人工智能。E-mail: wenyang1314@nuc.edu.cn

Weakly supervised point cloud semantic segmentation via multi-scale local feature fusion

Jiaying Wu¹^,²^,³, Xiaowen Yang¹^,²^,³, Xie Han¹^,²^,³, Huiyan Han¹^,²^,³, Yuan Zhang¹^,²^,³, Rong Zhao¹^,²^,³

Affiliations

^1.School of Computer Science and Technology, North University of China, Taiyuan 030051, China

^2.Shanxi Key Laboratory of Machine Vision & Virtual Reality, Taiyuan 030051, China

^3.Shanxi Vision Information Processing and Intelligent Robot Engineering Research Center, Taiyuan 030051, China

doi: 10.19651/j.cnki.emt.2519645

文章导航

摘要

收起

针对现有基于弱监督的语义分割模型无法同时顾及点云局部细节特征的高相关性和泛化性，以及特征利用不充分的问题，以RAC-Net为基线模型，提出了多尺度局部特征融合的弱监督点云语义分割模型WS-MLF。首先，原始点云数据作为输入，提出了多尺度球域采样的方法MSSM提取多层的不同半径特征；其次，设计了特征增强模块MFA，充分利用点邻域内的几何特征；再次，提出了注意力模块SCH-Att以增强关键通道和关键点的特征捕捉；最后，运用解码器进行上采样，生成每个点不同的语义标签，完成语义分割任务。该模型在大规模室内场景数据集S3DIS和ScanNet-v2上进行了实验验证，结果表明在S3DIS数据集上，标签比率为0.02%和0.06%时，mIoU分别较RAC-Net提升了2.71%和0.54%，在ScanNet-v2数据集上，标签比率为20 pt时，mIoU较RAC-Net提升了1.55%。实验结果验证了该模型在弱监督场景中对点云关键特征的良好提取能力，提升了基于弱监督的点云语义分割精度。

关键词

弱监督 / 点云语义分割 / 多尺度 / 注意力机制 / 特征聚合

Abstract

收起

To address the limitations of existing weakly supervised semantic segmentation models for point clouds, which struggle to balance local feature correlation, generalization, and feature utilization. This paper proposes WS-MLF, a weakly supervised point cloud semantic segmentation model via multi-scale local feature fusion, based on the RAC-Net baseline. Firstly, the raw point cloud data is taken as input, and a multi-scale spherical sampling methods (MSSM) is employed to capture hierarchical features across varying spatial radii. Secondly, a multi-local feature aggregation enhancement module (MFA) is designed to refine geometric context within neighborhoods. Thirdly, a spatial-channel-fused hybrid attention module (SCH-Att) is proposed to prioritize discriminative channels and key points. Finally, a decoder is utilized for upsampling to generate point-level semantic labels, thereby completing the semantic segmentation task. The proposed model is evaluated on large-scale indoor scene datasets, S3DIS and ScanNet-v2. Experimental results demonstrate that on the S3DIS dataset, when the label ratios are 0.02% and 0.06%, the mIoU surpasses RAC-Net by 2.71% and 0.54%, respectively. On the ScanNet-v2 dataset, with a label ratio of 20 pt, the mIoU increases by 1.55% compared with RAC-Net. These results validate WS-MLF's effectiveness in extracting key features under weak supervision, enhancing segmentation accuracy.

Key words

weakly supervised / point cloud semantic segmentation / multi-scale / attention mechanism / feature aggregation

引用本文

武佳颖, 杨晓文, 韩燮, 韩慧妍, 张元, 赵融. 多尺度局部特征融合的弱监督点云语义分割. 电子测量技术, 2026 , 49 (6) : 167 -176 . DOI: 10.19651/j.cnki.emt.2519645

Jiaying Wu, Xiaowen Yang, Xie Han, Huiyan Han, Yuan Zhang, Rong Zhao. Weakly supervised point cloud semantic segmentation via multi-scale local feature fusion[J]. Electronic Measurement Technology, 2026 , 49 (6) : 167 -176 . DOI: 10.19651/j.cnki.emt.2519645

基金

收起

国家自然科学基金(62272426)
山西省重点研发计划项目(202402020101001)
山西省自然科学基金(202303021211153; 202403021212166)

参考文献

收起

2026年第49卷第6期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.19651/j.cnki.emt.2519645

接收时间：2025-08-21
首发时间：2026-05-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-08-21

基金

国家自然科学基金(62272426)

山西省重点研发计划项目(202402020101001)

山西省自然科学基金(202303021211153; 202403021212166)

作者信息

^1．中北大学计算机科学与技术学院太原 030051

^2．机器视觉与虚拟现实山西省重点实验室太原 030051

^3．山西省视觉信息处理及智能机器人工程研究中心太原 030051

通讯作者:

杨晓文（通信作者），副教授，博士，主要研究方向为计算机视觉、人工智能。E-mail: wenyang1314@nuc.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dzcljs/CN/10.19651/j.cnki.emt.2519645

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT