计算机时代2023年第9期0引言点云语义分割对于3D环境理解至关重要，在机器人感知[1]、室内导航[2]、增强现实[3]等领域已受到广泛关注。为了实现大规模室内点云场景语义分割，一方面，考虑到点云边界信息的精确细分对于整体分割性能影响非常大。错误的语义分割不利于建筑工程师更好地理解建筑物的几何结构。另一方面，场景点云过于规模庞大导致其难以直接进行分割网络的有效训练。因此，不同物体边界点/非边界点的有效区分以及如何构建一个高效的语义分割模型是一个亟待解决的问题。近些年，随着大规模室内场景扫描数据集的出现[4]，针对点云处理的PointNet网络[5]被提出，使得直接将点云数据作为神经网络的输入成为可能。随后的PointNet++网络[6]使用多层级降采样结构以扩大采样点之间的感受野。Wang等[7]提出了基于动态边缘卷积EdgeConv模块的Dgcnn网络以有效学习邻域点的关系。Landrieu等[8]提出了一种基于PointNet和图卷积的点云分割网络SPGraph。Guo等[9]提出了一种新的基于Transformer的点云学习框架PCT，通过偏移注意力可以更好地学习点云的上下文特征信息。实际上，室内场景中建筑结构和家具物体都具有超面片DOI:10.16644/j.cnki.cn33-1094/tp.2023.09.016基于对比边界学习的超面片Transformer点云分割网络章益民(浙江理工大学计算机科学与技术学院，浙江杭州310018)摘要：为了高效地实现大规模室内点云场景语义分割，针对边界点云的特征信息难以区分、场景点云规模过于庞大而导致其难以直接进行分割网络的有效训练等问题，以超面片为数据表征，结合超面片Transformer模块(SPT)和对比边界学习模块(CBL)，提出一种基于对比边界学习的超面片Transformer点云分割网络。针对数据集S3DIS进行训练，实验结果表明，该网络在分割精度上比Dgcnn网络高3.9%，在训练速度方面比SPGraph网络快近100倍，针对大规模室内点云场景分割效果尤为突出。关键词：点云；语义分割；自注意力；超面片Transformer；对比边界学习中图分类号：TP391.41文献标识码：A文章编号：1006-8228(2023)09-75-06ContrastiveboundarylearningbasedTransformernetworkforpointcloudsegmentationZhangYimin（SchoolofComputerScienceandTechnology,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China）Abstract：Fortheissueofsemanticsegmentationforlarge-scaleindoorpointcloudsscenes,itisdifficulttodistinguishthefeatureinformationofboundarypointcloudsanditischalle...
